论文信息

论文题目：Improving mode exploring capability ofgenerative adversarial nets by self-organizing map（利用自组织映射提高生成对抗网络的模式探索能力）

期刊：Neurocomputing

摘要：生成对抗网络(GANs)的出现将生成模型的研究推向了一个新的高潮。支持这一进步的是体系结构、损失函数设计和正则化方面的巨大改进。然而，面对复杂多样的数据分布，各种GAN变体仍然存在模式覆盖不完全甚至模式崩溃的问题。在本文中，我们提出了一种用一个生成器和混合鉴别器来训练gan的新方法，以克服模态崩溃问题。在我们的模型中，每个鉴别器不仅可以区分真实和虚假样本，还可以区分数据集中的模式。从本质上讲，它是将自组织映射(Self-Organizing Map)这一经典聚类思想和多鉴别器结合为一个统一的优化目标。具体来说，我们在多个鉴别器上定义了一个拓扑结构，以使生成的样本多样化并捕获多模式。我们将这种方法称为自组织映射生成对抗网络(SOMGAN)。通过使用参数共享技巧，与具有单个鉴别器的gan相比，所提出的模型需要很少的额外计算。在我们的实验中，该方法涵盖了多种