ClusterGAN: 生成對抗網路中的潛在空間聚類
作者：凱魯嘎吉 - 博客園 http://www.cnblogs.com/kailugaji/
生成對抗網路(GANs)在許多無監督學習任務中取得了顯著的成功，毫無疑問，聚類是一個重要的無監督學習問題，雖然可以利用GANs中的潛在空間反向投影進行聚類，但[1]證明了在GAN的潛在空間中并沒有保留聚類結構，[1]提出了一種新的基于GANs的聚類機制—ClusterGAN，通過從one-hot離散編碼變數和連續編碼變數的混合變數中采樣潛在變數，再結合通過特定聚類損失訓練的反向映射網路(將資料投影到潛在空間)，可以實作潛在空間聚類，
這篇博客首先給出了生成模型的主要分支架構，比較了變分自編碼器(VAE)與生成對抗網路(GANs)的區別與優缺點，并簡要介紹了GAN的基本原理與訓練程序，最后介紹ClusterGAN，比較了GAN與ClusterGAN之間的區別與聯系，以及ClusterGAN的主要貢獻與思路，
1. 生成模型主要分支
2. VAE vs GAN
3. GAN
4. ClusterGAN
5. 參考文獻
[1] Mukherjee S , Asnani H , Lin E , et al. ClusterGAN: Latent Space Clustering in Generative Adversarial Networks. Proceedings of the AAAI Conference on Artificial Intelligence, 2019, 33:4610-4617.
[2] ClusterGAN代碼 --GitHub
[3] Lecture 13: Generative Models --Fei-Fei Li
[4] Deep Generative Models --Shenlong Wang
[5] 變分推斷與變分自編碼器 - 凱魯嘎吉 - 博客園
[6] 邱錫鵬, 神經網路與深度學習[M]. 2020.
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/225488.html
標籤：其他
下一篇：距離順序排列矩陣單元格