![](https://csdnimg.cn/release/download_crawler_static/86280922/bg1.jpg)
条件生成式对抗网络
Mehdi Mirza
Département d’informatique et de recherche opérationnelle
Université de Montréal
Montréal, QC H3C 3J7
mirzamom@iro.umontreal.ca
Simon Osindero
Flickr / Yahoo Inc.
San Francisco, CA 94103
osindero@yahoo-inc.com
翻译:张兴园 (初),路转 (复),管枫 (审)
Abstract
生成式对抗网络 (GAN)[8] 是一种用来训练生成式模型的新方法。本文中,
我们在 GAN 的基础之上引入条件生成式对抗网络,它的构建并不复杂,只
需要在生成模型与判别模型的构建中分别输入条件数据 y。实验结果显示
此模型能够在类别标签条件下生成 MNIST 手写体数字。对于多模态模型
的训练,本文也给出了一个生成图像标记的初步示例,在这个示例中我们
演示了如何生成训练标签之外的描述性标签。
1 Introduction
生成对抗网络 (GAN) 是最新引入的一种用来训练生成模型的方法,它可以有效的绕过一些
其他方法所很难避免的困难的概率计算。
生成网络中不再需要马尔科夫链,而只需要用回溯法就可以计算优化步骤中所需要的梯度
向量。在模型训练中也不再需要统计推断,这种方法使得其所训练的模型可以很容易就囊
括各种不同类型的信息。
而且,如文章 [8] 所述,GAN 可以实现目前最好的对数似然估计以及生成样本。
然而,在非条件生成模型中,无法控制其生成数据的模式。使用附加信息作为模型的条件变
量,可以引导生成模型的数据生成。这些条件变量可以来自于类别标签,也可以来自于待修
复数据的其他部分 [5],或者甚至来自于其他模态的数据。
本文中我们展示了如何构建条件生成网络, 以及条件生成网络在 MNIST 手写数字生成以及
MIR Flickr 25,000 图像 [10] 的标注生成上的实验结果.
2 Related Work
2.1 多模态学习实现图像标记 (标注)
尽管近来监督神经网络取得很大成功 (尤其是卷积神经网络) [13, 17], 但是对于使用上述模
型来预测极其大量的输出类别仍然是一个挑战。其次,迄今为止的大部分工作集中于学习
从输入到输出的一对一映射。然而,许多有趣的问题在概率上是一对多的映射问题。例如,
图像标记问题,对于给定的一副图像,可能有不同的标签,同时不同的标注者可能使用不同
的(但是同义或相关的)词语来描述同一副图像。
1