DeepMind新论文：基于变分方法的自编码生成对抗网络
本文来自AI新媒体量子位（QbitAI）
最近，DeepMind公司的Mihaela Rosca、Balaji Lakshminarayanan和David Warde-Farley等人写了一篇题为“一种基于变分方法的自编码生成对抗网络（Variational Approaches for Auto-Encoding Generative Adversarial Networks）”的论文。
这篇文章利用变分推理，提出了一种将自动编码器和生成对抗网络融合起来的方法。
摘要
自动编码生成对抗网络结合了标准形式的GAN算法，通过自动编码器给出的重建损失（construction loss）来区分原始数据和模型的生成数据。这种模型的目的是确保基于所有可用数据进行训练，防止学习得到的生成模型出现模式崩溃问题。
在本文中，我们提出了一种规则，通过利用生成模型的层次结构，将自动编码器结合到生成对抗网络中。由基本原理可表明，变分推理可作为网络学习的基本方法，但是要将随机可能性替换为合成似然性，且将未知后验分布替换为隐含分布。本文使用了鉴别器来学习网络中的合成似然性和隐含后验分布。
于是，我们结合这两种方法中的最优点，开发出一种结合变分自动编码器和生成对抗网络的融合方法。我们设置了一个共同的优化目标，讨论了引导学习的约束条件，与大量现有研究相联系，并使用了一系列实验来系统地定量评估本文方法的效果。
更多实际性能及结果讨论请看论文：https://arxiv.org/abs/1706.04987
P.S.
他们给自己的方法起名叫“α-GAN”，理由是：GAN太多，拉丁字母前缀不够用了，只好用希腊字母了……
【完】
本文作者：王小新
原文发布时间：2017-06-17