人工智能研究的新前线:生成式对抗网络

发布时间：2021-05-17 02:55

　　生成式对抗网络（Generative adversarial networks,GAN）是当前人工智能学界最为重要的研究热点之一.其突出的生成能力不仅可用于生成各类图像和自然语言数据,还启发和推动了各类半监督学习和无监督学习任务的发展.本文概括了GAN的基本思想,并对近年来相关的理论与应用研究进行了梳理,总结了GAN常见的网络结构与训练方法,博弈形式,集成方法,并对一些应用场景进行了介绍.在此基础上,本文对GAN发展的内在逻辑进行了归纳总结. 

【文章来源】：自动化学报. 2018,44(05)北大核心EICSCD

【文章页数】：18 页

【文章目录】：
1 GAN的背景与提出
    1.1 深度学习
    1.2 深度生成模型
    1.3 生成式对抗网络
    1.4 GAN存在的问题
2 GAN生成机制的发展
    2.1 网络结构
    2.2 正则方法
    2.3 集成学习
    2.4 优化算法
3 GAN判别机制的发展
    3.1 Lipschitz密度
    3.2 能量函数
4 GAN的应用
    4.1 数据生成与增强
    4.2 广义数据翻译
    4.3 广义生成模型
5 总结与展望


【参考文献】：
期刊论文
[1]Parallel Driving in CPSS:A Unified Approach for Transport Automation and Vehicle Intelligence[J]. Fei-Yue Wang,Nan-Ning Zheng,Dongpu Cao,Clara Marina Martinez,Li Li,Teng Liu.  IEEE/CAA Journal of Automatica Sinica. 2017(04)
[2]Parallel Learning:a Perspective and a Framework[J]. Li Li,Yilun Lin,Nanning Zheng,Fei-Yue Wang.  IEEE/CAA Journal of Automatica Sinica. 2017(03)
[3]生成式对抗网络GAN的研究进展与展望[J]. 王坤峰,苟超,段艳杰,林懿伦,郑心湖,王飞跃.  自动化学报. 2017(03)
[4]Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond[J]. Fei-Yue Wang,Jun Jason Zhang,Xinhu Zheng,Xiao Wang,Yong Yuan,Xiaoxiao Dai,Jie Zhang,Liuqing Yang.  IEEE/CAA Journal of Automatica Sinica. 2016(02)



本文编号：3190932