【学习】王飞跃等：生成式对抗网络 GAN 的研究进展与展望

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