人工智能研究的新前线:生成式对抗网络

被引：83
|
作者：
林懿伦 [1 ,2 ,3 ]
戴星原 [1 ,2 ,3 ]
李力 [4 ]
王晓 [1 ,3 ]
王飞跃 [1 ,5 ,6 ]
机构：
[1] 中国科学院自动化研究所复杂系统管理与控制国家重点实验室
[2] 中国科学院大学
[3] 青岛智能产业技术研究院
[4] 北京信息科学与技术国家研究中心清华大学自动化系
[5] 国防科学技术大学军事计算实验与平行系统技术中心
[6] 中国科学院大学中国经济与社会安全研究中心
来源：
自动化学报 | 2018年 / 44卷 / 05期
关键词：
深度学习; 生成式对抗网络; 生成模型; 对抗学习; 平行学习;
D O I：
10.16383/j.aas.2018.y000002
中图分类号：
TP18 [人工智能理论];
学科分类号：
081104 ; 0812 ; 0835 ; 1405 ;
摘要：
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.
引用
收藏
页码：775 / 792
页数：18
相关论文
共 17 条
  • [1] Parallel Driving in CPSS:A Unified Approach for Transport Automation and Vehicle Intelligence
    Fei-Yue Wang
    Nan-Ning Zheng
    Dongpu Cao
    Clara Marina Martinez
    Li Li
    Teng Liu
    [J]. IEEE/CAAJournalofAutomaticaSinica, 2017, 4 (04) : 577 - 587
  • [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
    王坤峰
    苟超
    段艳杰
    林懿伦
    郑心湖
    王飞跃
    [J]. 自动化学报, 2017, 43 (03) : 321 - 332
  • [4] Where Does AlphaGo Go: From Church-Turing Thesis to AlphaGo Thesis and Beyond
    Fei-Yue Wang
    Jun Jason Zhang
    Xinhu Zheng
    Xiao Wang
    Yong Yuan
    Xiaoxiao Dai
    Jie Zhang
    Liuqing Yang
    [J]. IEEE/CAAJournalofAutomaticaSinica, 2016, 3 (02) : 113 - 120
  • [5] Globally and Locally Consistent Image Completion
    Iizuka, Satoshi
    Simo-Serra, Edgar
    Ishikawa, Hiroshi
    [J]. ACM TRANSACTIONS ON GRAPHICS, 2017, 36 (04):
  • [6] Image Completion using Planar Structure Guidance
    Huang, Jia-Bin
    Kang, Sing Bing
    Ahuja, Narendra
    Kopf, Johannes
    [J]. ACM TRANSACTIONS ON GRAPHICS, 2014, 33 (04):
  • [7] Learning to search: Functional gradient techniques for imitation learning[J] . Nathan D. Ratliff,David Silver,J. Andrew Bagnell.Autonomous Robots . 2009 (1)
  • [8] The Variational Gaussian Approximation Revisited
    Opper, Manfred
    Archambeau, Cedric
    [J]. NEURAL COMPUTATION, 2009, 21 (03) : 786 - 792
  • [9] A fast learning algorithm for deep belief nets
    Hinton, Geoffrey E.
    Osindero, Simon
    Teh, Yee-Whye
    [J]. NEURAL COMPUTATION, 2006, 18 (07) : 1527 - 1554
  • [10] Ensembling neural networks: Many could be better than all[J] . Zhi-Hua Zhou,Jianxin Wu,Wei Tang.Artificial Intelligence . 2002 (1)
12