-
题名一种能量函数意义下的生成式对抗网络
被引量：16
- 1
-
-
作者
王功明
乔俊飞
王磊
-
机构
北京工业大学信息学部
计算智能与智能系统北京市重点实验室
-
出处
《自动化学报》
EI
CSCD
北大核心
2018年第5期793-803,共11页
-
基金
国家自然科学基金(61533002)资助~~
-
文摘
生成式对抗网络(Generative adversarial network,GAN)是目前人工智能领域的一个研究热点,引起了众多学者的关注.针对现有GAN生成模型效率低下和判别模型的梯度消失问题,本文提出一种基于重构误差的能量函数意义下的生成式对抗网络模型(Energy reconstruction error GAN,E-REGAN).首先,将自适应深度信念网络(Adaptive deep belief network,ADBN)作为生成模型,来快速学习给定样本数据的概率分布并进一步生成相似的样本数据.其次,将自适应深度自编码器(Adaptive deep autoencoder,ADAE)的重构误差(Reconstruction error,RE)作为一个表征判别模型性能的能量函数,能量越小表示GAN学习优化过程越趋近纳什均衡的平衡点,否则反之.同时,通过反推法给出了E-REGAN的稳定性分析.最后在MNIST和CIFAR-10标准数据集上的实验结果表明,相较于现有的类似模型,E-REGAN在学习速度和数据生成能力两方面均有较大提高.
-
关键词
生成式对抗网络
能量函数
重构误差
自适应深度信念网络
自适应深度自编码器
纳什均衡
-
Keywords
Generative adversarial network （GAN）
energy function
reconstruction error （RE）
adaptive deep beliefnetwork （ADBN）
adaptive deep auto-encoder （ADAE）
Nash equilibrium
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
