There is a recent large and growing interest in generative adversarial networks (GANs), which offer powerful features for generative modeling, density estimation, and energy function learning. GANs are difficult to train and evaluate but are capable of creating amazingly realistic, though synthetic, image data. Ideas stemming from GANs such as adversarial losses are creating research opportunities for other challenges such as domain adaptation. In this paper, we look at the field of GANs with emphasis on these areas of emerging research. To provide background for adversarial techniques, we survey the field of GANs, looking at the original formulation, training variants, evaluation methods, and extensions. Then we survey recent work on transfer learning, focusing on comparing different adversarial domain adaptation methods. Finally, we take a look forward to identify open research directions for GANs and domain adaptation, including some promising applications such as sensor-based human behavior modeling.


翻译:最近人们对基因对抗网络(GANs)的兴趣日益浓厚,这些网络为基因模型、密度估计和能源功能学习提供了强大的特征。GANs很难培训和评估,但能够创造出惊人的、现实的、尽管是合成的图像数据。从GANs产生的想法,例如对抗性损失,正在为诸如领域适应等其他挑战创造研究机会。在本文件中,我们审视GANs的领域,重点是这些新出现的研究领域。为了为对抗性技术提供背景,我们考察GANs的领域,研究最初的配方、培训变异、评价方法和扩展。然后我们调查最近关于转让学习的工作,重点是比较不同的对抗性领域适应方法。最后,我们期待为GANs和领域适应工作确定开放的研究方向,包括一些有前途的应用,例如以传感器为基础的人类行为模型。

10
下载
关闭预览

相关内容

100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
111+阅读 · 2020年3月18日
生成式对抗网络GAN异常检测
专知会员服务
98+阅读 · 2019年10月13日
Hierarchically Structured Meta-learning
CreateAMind
14+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
11+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
6+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
8+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
34+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
9+阅读 · 2019年1月2日
【论文】图上的表示学习综述
机器学习研究会
9+阅读 · 2017年9月24日
Auto-Encoding GAN
CreateAMind
5+阅读 · 2017年8月4日
Arxiv
37+阅读 · 2020年3月10日
A Comprehensive Survey on Transfer Learning
Arxiv
106+阅读 · 2019年11月7日
Generative Adversarial Networks: A Survey and Taxonomy
Transfer Adaptation Learning: A Decade Survey
Arxiv
34+阅读 · 2019年3月12日
Deep Learning for Generic Object Detection: A Survey
Arxiv
11+阅读 · 2018年9月6日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
7+阅读 · 2018年6月8日
VIP会员
相关资讯
Hierarchically Structured Meta-learning
CreateAMind
14+阅读 · 2019年5月22日
Transferring Knowledge across Learning Processes
CreateAMind
11+阅读 · 2019年5月18日
逆强化学习-学习人先验的动机
CreateAMind
6+阅读 · 2019年1月18日
强化学习的Unsupervised Meta-Learning
CreateAMind
8+阅读 · 2019年1月7日
Unsupervised Learning via Meta-Learning
CreateAMind
34+阅读 · 2019年1月3日
meta learning 17年:MAML SNAIL
CreateAMind
9+阅读 · 2019年1月2日
【论文】图上的表示学习综述
机器学习研究会
9+阅读 · 2017年9月24日
Auto-Encoding GAN
CreateAMind
5+阅读 · 2017年8月4日
相关论文
Arxiv
37+阅读 · 2020年3月10日
A Comprehensive Survey on Transfer Learning
Arxiv
106+阅读 · 2019年11月7日
Generative Adversarial Networks: A Survey and Taxonomy
Transfer Adaptation Learning: A Decade Survey
Arxiv
34+阅读 · 2019年3月12日
Deep Learning for Generic Object Detection: A Survey
Arxiv
11+阅读 · 2018年9月6日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
7+阅读 · 2018年6月8日
Top
微信扫码咨询专知VIP会员