条件概率图产生式对抗网络

• 作者: 张钹 朱军 李崇轩
• 来源期刊: 软件学报
• 学科: 工学
• 关键词: 深度生成模型 产生式对抗网络 概率图模型 弱监督学习 条件模型
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 非经典条件下的机器学习方法专题
• 页码范围: 1002-1008
• 页数: 7页
• 分类号: TP181
• 字数: 5138字
• 语种: 中文

摘要

产生式对抗网络(generative adversarial networks,简称GANs)可以生成逼真的图像,因此最近被广泛研究.值得注意的是,概率图生成对抗网络(graphical-GAN)将贝叶斯网络引入产生式对抗网络框架,以无监督的方式学习到数据的隐藏结构.提出了条件概率图生成对抗网络(conditional graphical-GAN),它可以在弱监督环境下,利用粗粒度监督信息来学习到更精细而复杂的结构.条件概率图生成对抗网络的推理和学习遵循与graphical-GAN类似的方法.提出了条件概率图生成对抗网络的两个实例.条件高斯混合模型(conditional Gaussian mixture GAN,简称cGMGAN)可以在给出粗粒度标签的情况下从混合数据中学习细粒度聚类.条件状态空间模型(conditional state space GAN,简称cSSGAN)可以在给定对象标签的情况下学习具有多个对象的视频的动态过程.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张钹	清华大学计算机科学与技术系	68	5127	32.0	68.0
2	朱军	清华大学计算机科学与技术系	11	253	5.0	11.0
3	李崇轩	清华大学计算机科学与技术系	1	0	0.0	0.0