Generative Adversarial Nets(GANs) — NIPS2014
【一言まとめ】生成器(G)と識別器(D)を敵対させ生成精度を向上させた。
【著者】Ian J. Goodfellow∗, Jean Pouget-Abadie†, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair‡, Aaron Courville, Yoshua Bengio§
【所属機関】Google
【URL】http://datascienceassn.org/sites/default/files/Generative%20Adversarial%20Nets.pdf
【Abstract】
We propose a new framework for estimating generative models via adversarial nets, in which we simultaneously train two models: a generative model G that captures the data distribution, and a discriminative model D that estimates the probability that a sample came from the training data rather than G. The training procedure for G is to maximize the probability of D making a mistake. This framework corresponds to a minimax two-player game. In the space of arbitrary functions G and D, a unique solution exists, with G recovering the training data distribution and D equal to 1/2 everywhere. In the case where G and D are defined by multilayer perceptrons, the entire system can be trained with backpropagation. There is no need for any Markov chains or unrolled approximate inference networks during either training or generation of samples. Experiments demonstrate the potential of the framework through qualitative and quantitatively evaluation of the generated samples.
【Abstract翻訳】
我々は、データ分布を捕捉する生成モデルGと、サンプルがトレーニングデータから来た確率を推定する識別モデルDの2つのモデルを同時に訓練する、敵対的ネットを介して生成モデルを推定するための新しいフレームワークを提案する。 Gの訓練手順は、Dが間違っている確率を最大にすることです。 このフレームワークは、ミニマム2人プレイのゲームに対応しています。 任意の関数GとDの空間では、唯一の解が存在し、Gは訓練データ分布を回復し、Dはあらゆるところで1/2に等しい。 GとDが多層パーセプトロンで定義されている場合、システム全体をバックプロパゲーションで訓練することができます。 トレーニングやサンプル生成の際にマルコフ連鎖や展開された近似推論ネットワークは必要ありません。 実験では、生成されたサンプルの定性的および定量的評価を通じて、フレームワークの可能性を実証しています。
【どんなもの？】
【先行研究と比べてどこがすごい？】
【技術や手法のキモはどこ？】
【どうやって有効だと検証した？】
【議論はある？】
【次に読むべき論文は？】
・Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks(DCGANs) — ICLR2016
・Autoencoding beyond pixels using a learned similarity metric — ICML2016
・Generative Adversarial Text to Image Synthesis — ICML2016
【関連リンク】
https://www.slideshare.net/hamadakoichi/nips2016-overview-and-deep-learning-topics
