题名 | GANs 模型模式坍塌和训练不稳定问题的研究与优化 |
作者 | 陈莹莹 |
答辩日期 | 2021-05-20 |
文献子类 | 硕士 |
授予单位 | 中国科学院大学 |
授予地点 | 中国科学院大学 |
导师 | 侯新文 |
关键词 | 生成对抗网络模型 模式坍塌 训练不稳定 SVGD 算法 QR 算法 |
学位专业 | 计算机技术 |
英文摘要 | 近十年内随着算力和数据爆发式增长,人工智能领域掀起了深度学习的研究热潮。生成对抗网络模型(Generative Adversarial Nets : GANs)作为一类深度生成模型成为一个研究热点。在过去的几年里,生成对抗网络模型在数据生成、图像修复、图像分割、图像超分辨率等领域获得了巨大成功,凸显了生成对抗网络模型的巨大潜力。生成对抗网络模型是从有监督学习模型到无监督学习模型的一次良好探索,是实现通用人工智能过程中的又一重大成果。因此对生成对抗网络模型的研究具有重要的理论意义和应用价值。 本课题从GANs模型的两个基本问题出发展开研究,研究成果主要有两点:其一,针对生成对抗网络模型的模式坍塌问题,提出了利用SVGD算法实现生成数据熵惩罚的改进方案。解决了生成对抗网络模型中熵无法显式求解而导致熵惩罚无法实现的困境,提高了生成样本的多样性。其二,针对训练不稳定问题,将适用于一维随机变量的QR算法扩展至生成对抗网络模型中,提高了生成数据的质量和模型在多种优化算法下的稳定性。为生成对抗网络模型中Wasserstein-1距离的实现提供新的求解思路。 |
语种 | 中文 |
页码 | 88 |
内容类型 | 学位论文 |
源URL | [http://ir.ia.ac.cn/handle/173211/44933] |
专题 | 综合信息系统研究中心_脑机融合与认知评估 |
推荐引用方式 GB/T 7714 | 陈莹莹. GANs 模型模式坍塌和训练不稳定问题的研究与优化[D]. 中国科学院大学. 中国科学院大学. 2021. |
个性服务 |
查看访问统计 |
相关权益政策 |
暂无数据 |
收藏/分享 |
除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。
修改评论