2018最佳GAN论文回顾(上)(14)

1.变化:通过根据一些突变属性而自我修改 , 生成器的单个Gθ生成其子级

…;

2.评估:每个子级都将使用一个适应函数进行评估 , 该函数取决于识别器的当前状态;

3.筛选:我们对每个子级进行评估 , 并决定它在适应函数的方面是否足够好 , 如果是 , 它将被保留 , 否则就会被丢弃;

上述这些步骤涉及到两个应该被详细讨论的概念:突变和适应函数:

突变—这些是在“变化”步骤中给子级引入的改变 。 最初的GAN训练目标激发了他们的灵感 。 作者们区分了三种最有效的突变类型 。 它们是minmax突变(鼓励将Jensen-Shannon分歧最小化)、启发式突变(添加了反向Kullback-Leibler分歧项)和最小二乘突变(受LSGAN的启发);

适应函数—在进化算法中 , 一个适应函数告诉我们一个给定的子级离达到设定的目标有多接近 。 这里 , 适应函数包括两个要素:质量适应得分和多样性适应得分 。 前者确保了生成器能够提供欺骗识别器的输出 , 而后者则关注生成样本的多样性 。 因此 , 一方面 , 培育子版本不仅要很好地接近原始分布 , 而且还要保持多样性 , 并且避免模式崩溃的陷阱 。

推荐阅读