基于Wasserstein距离的双向学习推理

• 作者: 刘轶功 张峰 花强 董春茹
• 来源期刊: 河北大学学报（自然科学版）
• 学科: 工学
• 关键词: 生成对抗网络 KL散度 Wasserstein距离 变分自编码器
• 年，卷（期）: 2020,（3）
• 所属期刊栏目: 电子工程与计算机科学
• 页码范围: 328-336
• 页数: 9页
• 分类号: TP391
• 字数: 6581字
• 语种: 中文
• DOI: 10.3969/j.issn.1000-1565.2020.03.015

摘要

基于Wasserstein距离的生成对抗网络(WGAN)将编码器和生成器双向集成于其模型中,从而增强了生成模型的学习能力,但其在优化目标中使用KL散度度量分布间的差异,会导致学习训练过程中出现梯度消失或梯度爆炸问题,降低模型鲁棒性.为克服这一问题,提出了一种基于Wasserstein距离的双向学习推理(WBLI)模型.文章首先建立了真实数据分布与隐数据分布双向学习网络,然后引入Wasserstein距离度量联合概率分布的差异性,并据此推导了可解的损失代价函数,给出了完整的网络学习模型和迭代算法,实验结果表明,WBLI模型有效缓解了传统GAN及其变种的模式坍塌问题,增强了训练学习的鲁棒性,可生产辨识度更高的样本.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张峰	河北大学河北省机器学习与计算智能重点实验室	27	96	5.0	9.0
2	董春茹	河北大学河北省机器学习与计算智能重点实验室	7	19	2.0	4.0
3	花强	河北大学河北省机器学习与计算智能重点实验室	4	6	2.0	2.0
4	刘轶功	河北大学河北省机器学习与计算智能重点实验室	1	0	0.0	0.0