专栏名称: 机器学习研究会

机器学习研究会是北京大学大数据与机器学习创新中心旗下的学生组织，旨在构建一个机器学习从事者交流的平台。除了及时分享领域资讯外，协会还会举办各种业界巨头/学术神牛讲座、学术大牛沙龙分享会、real data 创新竞赛等活动。

【学习】王飞跃等：生成式对抗网络 GAN 的研究进展与展望

机器学习研究会 · 公众号 · AI · 2017-03-25 19:10

正文

点击上方“机器学习研究会”可以订阅哦

摘要

转自：新智元

生成式对抗网络 GAN (Generative adversarial networks) 目前已经成为人工智能学界一个热门的研究方向。 GAN的基本思想源自博弈论的二人零和博弈, 由一个生成器和一个判别器构成, 通过对抗学习的方式来训练。目的是估测数据样本的潜在分布并生成新的数据样本。在图像和视觉计算、语音和语言处理、信息安全、棋类比赛等领域, GAN 正在被广泛研究,具有巨大的应用前景。本文概括了 GAN 的研究进展, 并进行展望。在总结了 GAN 的背景、理论与实现模型、应用领域、优缺点及发展趋势之后, 本文还讨论了 GAN 与平行智能的关系, 认为 GAN 可以深化平行系统的虚实互动、交互一体的理念, 特别是计算实验的思想, 为 ACP （Artificial societies, computational experiments, and parallel execution) 理论提供了十分具体和丰富的算法支持。

关键词 生成式对抗网络，生成式模型，零和博弈，对抗学习，平行智能，ACP 方法

生成式对抗网络 GAN (Generative adversarial networks) 是 Goodfellow 等[1] 在 2014 年提出的一种生成式模型. GAN 在结构上受博弈论中的二人零和博弈 (即二人的利益之和为零, 一方的所得正是另一方的所失) 的启发, 系统由一个生成器和一个判别器构成。生成器捕捉真实数据样本的潜在分布, 并生成新的数据样本; 判别器是一个二分类器, 判别输入是真实数据还是生成的样本. 生成器和判别器均[2]可以采用目前研究火热的深度神经网络. GAN 的优化过程是一个极小极大博弈 (Minimax game) 问题, 优化目标是达到纳什均衡[3] , 使生成器估测到数据样本的分布。

在当前的人工智能热潮下, GAN 的提出满足了许多领域的研究和应用需求, 同时为这些领域注入了新的发展动力. GAN 已经成为人工智能学界一个热门的研究方向, 著名学者 LeCun 甚至将其称为“过去十年间机器学习领域最让人激动的点子”. 目前, 图像和视觉领域是对 GAN 研究和应用最广泛的一个领域, 已经可以生成数字、人脸等物体对象,构成各种逼真的室内外场景, 从分割图像恢复原图像, 给黑白图像上色, 从物体轮廓恢复物体图像, 从低分辨率图像生成高分辨率图像等[4]. 此外, GAN已经开始被应用到语音和语言处理[5−6]、电脑病毒监测[7]、棋类比赛程序[8] 等问题的研究中。

本文综述了生成式对抗网络 GAN 的最新研究进展, 并对发展趋势进行展望. 第 1 节介绍 GAN 的提出背景. 第 2 节描述 GAN 的理论与实现模型, 包括 GNN 的基本原理、学习方法、衍生模型等. 第 3节列举GAN在图像和视觉、语音和语言、信息安全等领域的典型应用. 第4节对 GAN 进行思考与展望, 讨论 GAN 与平行智能, 特别是与计算实验的关系. 最后, 第 5 节对本文进行总结。

原文链接：

https://mp.weixin.qq.com/s/5fZUAgQZWz33wYSLujyMXA

“完整内容”请点击【阅读原文】

↓↓↓