分享主题

一个简单的方法解决生成对抗网络mode collapse问题

分享背景

本次公开课主要介绍林梓楠和合作者在NeurIPS 2018上发表的文章《PacGAN: The power of two samples in generative adversarial networks》。生成对抗网络(Generative Adversarial Networks, GANs)自2014年被发明以来得到了广泛的关注和应用，尤其是它能够生成高质量的、以假乱真的图片。然而，GANs的一大缺陷是，生成图片的多样性经常会小于真实数据的多样性，也即mode collapse问题。在本次课程中，讲者将解读他和合作者提出的解决mode collapse的方法，这个方法简单、高效、易于实现，并且有理论分析证明。

Paper:https://arxiv.org/abs/1712.04086

Code:https://github.com/fjxmlzn/PacGAN

分享嘉宾

林梓楠，Carnegie Mellon University(卡内基梅隆大学)博士二年级，师从Prof. Giulia Fanti和Prof. Vyas Sekar，研究方向为生成对抗网络及其应用。本科毕业于清华大学电子工程系。

个人主页：

http://www.andrew.cmu.edu/user/zinanl/

分享提纲

生成对抗网络简介

PacGAN的网络结构

PacGAN的实验结果

用一个简单的例子理解PacGAN背后的原理

mode collapse和PacGAN的理论分析

简要介绍讲者在NeurIPS 2018上发表的另一篇文章《Robustness of conditional GANs to noisy labels》(若还有时间)

分享时间

(北京时间)2019 年01 月 06 日 (星期日)早上 10:00

错过直播不要紧，回放视频上传后也能看哦~

直播链接

http://www.mooc.ai/open/course/625

↘  扫码直达  ↙

点击阅读原文直达本期大讲堂↙