影响因子：

1.752

所属单位：

中国CAE战略研究中心;中国高等教育出版社

发表刊物：

Engineering

刊物所在地：

北京市

关键字：

生成;对抗;深度学习;最优传输;模式崩溃

摘要：

本文从几何角度来理解深度学习,特别是提出了生成对抗网络(GAN)的最优传输(OT)观点。自然数据集具有内在的模式,该模式可被概括为流形分布原理,即同一类高维数据分布于低维流形附近。GAN主要完成流形学习和概率分布变换两项任务。其中,后者可以用经典的OT方法来实现。从OT的角度来看,生成器用于计算OT映射,而判别器用于计算生成数据分布与真实数据分布之间的Wasserstein距离;两者都可以归结为一个凸优化过程。此外,OT理论揭示了生成器与判别器之间的内在关系是协作的而不是竞争的,并且解释了模式崩溃的根本原因。在此基础上,我们提出了一种新的生成模型,该模型利用自编码器(AE)进行流形学习,并利用OT映射进行概率分布变换。这个AE-OT模型提升了深度学习理论的严谨性和透明性、提高了计算的稳定性和效率,尤其是避免了模式崩溃问题。实验结果验证了我们的假设,并充分展示了我们提出的AE-OT模型的优点。

合写作者：

安东生,郭洋,刘世霞,罗钟铉,丘成桐,顾险峰

第一作者：

雷娜

论文类型：

期刊论文

通讯作者：

苏科华

文献类型：

J

卷号：

6

期号：

3

页面范围：

340-370

ISSN号：

2095-8099

是否译文：

是

CN号：

10-1244/N

发表时间：

2020-03-15

收录刊物：

SCI、EI

发布期刊链接：

www.elsevier.com/locate/eng