会员服务
生成对抗网络 · 支持向量机 ·
2019 年 10 月 17 日
Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs
专知会员服务
专知会员服务
专知，提供专业可信的知识分发服务，让认知协作更快更好！

*《Connections between Support Vector Machines, Wasserstein distance and gradient-penalty GANs》A Jolicoeur-Martineau, I Mitliagkas [Mila] (2019)

成为VIP会员查看完整内容
https://www.arxiv-vanity.com/papers/1910.06922/
34

相关内容

生成对抗网络（GAN）是Ian Goodfellow及其同事在2014年设计的一类机器学习框架。两个神经网络在游戏中相互竞争（从博弈论的角度讲，通常但并非总是以零和博弈的形式）。 在给定训练集的情况下，该技术将学习生成具有与训练集相同的统计数据的新数据。 例如，受过照片训练的GAN可以生成新照片，这些新照片至少对人类观察者而言表面上看起来真实，具有许多现实特征。 尽管GAN最初是作为一种形式的无监督学习模型提出的，但它也已被证明可用于半监督学习，完全监督学习和强化学习。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
【干货书】真实机器学习，264页pdf，Real-World Machine Learning
【干货书】真实机器学习，264页pdf，Real-World Machine Learning
专知会员服务
114+阅读 · 2020年4月5日
最大均方差正则化贝叶斯神经网络，Bayesian Neural Networks With Maximum Mean Discrepancy Regularization
最大均方差正则化贝叶斯神经网络，Bayesian Neural Networks With Maximum Mean Discrepancy Regularization
专知会员服务
53+阅读 · 2020年3月5日
【Google】无监督机器翻译，Unsupervised Machine Translation
【Google】无监督机器翻译，Unsupervised Machine Translation
专知会员服务
35+阅读 · 2020年3月3日
UC.Berkeley CS189讲义教材:《机器学习全面指南》，185页pdf
专知会员服务
161+阅读 · 2020年1月16日
【金融机器学习课程资料】Financial Machine Learning
专知会员服务
116+阅读 · 2019年12月24日
【KDD2019|讲座推荐】零阶优化及其在数据挖掘和机器学习中对抗鲁棒性的应用研究进展：Recent Progress in Zeroth Order Optimization and Its Applications to Adversarial Robustness in Data Mining and Machine Learning
【KDD2019|讲座推荐】零阶优化及其在数据挖掘和机器学习中对抗鲁棒性的应用研究进展：Recent Progress in Zeroth Order Optimization and Its Applications to Adversarial Robustness in Data Mining and Machine Learning
专知会员服务
15+阅读 · 2019年12月6日
【ICCV 2019 Toturial】Interpretable Machine Learning for Computer Vision（用于计算机视觉的可解释性机器学习）
【ICCV 2019 Toturial】Interpretable Machine Learning for Computer Vision（用于计算机视觉的可解释性机器学习）
专知会员服务
30+阅读 · 2019年10月30日
【ICCV 2019 Workshop】Geometric View of Optimal Transportation and Generative Adversarial Networks ，石溪大学，哈佛大学 顾险峰教授
【ICCV 2019 Workshop】Geometric View of Optimal Transportation and Generative Adversarial Networks ，石溪大学，哈佛大学 顾险峰教授
专知会员服务
24+阅读 · 2019年10月30日
【机器学习基础最新版】（Mathematics for Machine Learning），417页pdf
【机器学习基础最新版】（Mathematics for Machine Learning），417页pdf
专知会员服务
242+阅读 · 2019年10月21日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
自定义损失函数Gradient Boosting
自定义损失函数Gradient Boosting
AI研习社
13+阅读 · 2018年10月16日
disentangled-representation-papers
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文笔记】ICLR 2018 Wasserstein自编码器
【论文笔记】ICLR 2018 Wasserstein自编码器
专知
30+阅读 · 2018年6月29日
马普与Google Brain新研究：Wasserstein自动编码器
马普与Google Brain新研究：Wasserstein自动编码器
论智
27+阅读 · 2018年2月10日
条件GAN重大改进！cGANs with Projection Discriminator
条件GAN重大改进！cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断（Variational inference)的总结
【论文】变分推断（Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Scalable Gromov-Wasserstein Learning for Graph Partitioning and Matching
Arxiv
8+阅读 · 2019年10月9日
Discriminative structural graph classification
Arxiv
5+阅读 · 2019年6月5日
MDE: Multi Distance Embeddings for Link Prediction in Knowledge Graphs
Arxiv
4+阅读 · 2019年5月29日
Lipschitz Generative Adversarial Nets
Arxiv
8+阅读 · 2019年2月15日
GAN-QP: A Novel GAN Framework without Gradient Vanishing and Lipschitz Constraint
GAN-QP: A Novel GAN Framework without Gradient Vanishing and Lipschitz Constraint
Arxiv
5+阅读 · 2018年12月15日
Approximability of Discriminators Implies Diversity in GANs
Approximability of Discriminators Implies Diversity in GANs
Arxiv
4+阅读 · 2018年6月27日
Rethinking Knowledge Graph Propagation for Zero-Shot Learning
Arxiv
17+阅读 · 2018年5月31日
Wasserstein Auto-Encoders
Arxiv
6+阅读 · 2018年3月12日
Stable Distribution Alignment Using the Dual of the Adversarial Distance
Arxiv
3+阅读 · 2018年1月30日
Variational Recurrent Neural Machine Translation
Arxiv
5+阅读 · 2018年1月16日
VIP会员
相关主题
生成对抗网络
支持向量机
相关VIP内容
【干货书】真实机器学习，264页pdf，Real-World Machine Learning
【干货书】真实机器学习，264页pdf，Real-World Machine Learning
专知会员服务
114+阅读 · 2020年4月5日
最大均方差正则化贝叶斯神经网络，Bayesian Neural Networks With Maximum Mean Discrepancy Regularization
最大均方差正则化贝叶斯神经网络，Bayesian Neural Networks With Maximum Mean Discrepancy Regularization
专知会员服务
53+阅读 · 2020年3月5日
【Google】无监督机器翻译，Unsupervised Machine Translation
【Google】无监督机器翻译，Unsupervised Machine Translation
专知会员服务
35+阅读 · 2020年3月3日
UC.Berkeley CS189讲义教材:《机器学习全面指南》，185页pdf
专知会员服务
161+阅读 · 2020年1月16日
【金融机器学习课程资料】Financial Machine Learning
专知会员服务
116+阅读 · 2019年12月24日
【KDD2019|讲座推荐】零阶优化及其在数据挖掘和机器学习中对抗鲁棒性的应用研究进展：Recent Progress in Zeroth Order Optimization and Its Applications to Adversarial Robustness in Data Mining and Machine Learning
【KDD2019|讲座推荐】零阶优化及其在数据挖掘和机器学习中对抗鲁棒性的应用研究进展：Recent Progress in Zeroth Order Optimization and Its Applications to Adversarial Robustness in Data Mining and Machine Learning
专知会员服务
15+阅读 · 2019年12月6日
【ICCV 2019 Toturial】Interpretable Machine Learning for Computer Vision（用于计算机视觉的可解释性机器学习）
【ICCV 2019 Toturial】Interpretable Machine Learning for Computer Vision（用于计算机视觉的可解释性机器学习）
专知会员服务
30+阅读 · 2019年10月30日
【ICCV 2019 Workshop】Geometric View of Optimal Transportation and Generative Adversarial Networks ，石溪大学，哈佛大学 顾险峰教授
【ICCV 2019 Workshop】Geometric View of Optimal Transportation and Generative Adversarial Networks ，石溪大学，哈佛大学 顾险峰教授
专知会员服务
24+阅读 · 2019年10月30日
【机器学习基础最新版】（Mathematics for Machine Learning），417页pdf
【机器学习基础最新版】（Mathematics for Machine Learning），417页pdf
专知会员服务
242+阅读 · 2019年10月21日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
热门VIP内容
相关资讯
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
28+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
17+阅读 · 2018年12月24日
Disentangled的假设的探讨
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
自定义损失函数Gradient Boosting
自定义损失函数Gradient Boosting
AI研习社
13+阅读 · 2018年10月16日
disentangled-representation-papers
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【论文笔记】ICLR 2018 Wasserstein自编码器
【论文笔记】ICLR 2018 Wasserstein自编码器
专知
30+阅读 · 2018年6月29日
马普与Google Brain新研究：Wasserstein自动编码器
马普与Google Brain新研究：Wasserstein自动编码器
论智
27+阅读 · 2018年2月10日
条件GAN重大改进！cGANs with Projection Discriminator
条件GAN重大改进！cGANs with Projection Discriminator
CreateAMind
8+阅读 · 2018年2月7日
【论文】变分推断（Variational inference)的总结
【论文】变分推断（Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
相关论文
Scalable Gromov-Wasserstein Learning for Graph Partitioning and Matching
Arxiv
8+阅读 · 2019年10月9日
Discriminative structural graph classification
Arxiv
5+阅读 · 2019年6月5日
MDE: Multi Distance Embeddings for Link Prediction in Knowledge Graphs
Arxiv
4+阅读 · 2019年5月29日
Lipschitz Generative Adversarial Nets
Arxiv
8+阅读 · 2019年2月15日
GAN-QP: A Novel GAN Framework without Gradient Vanishing and Lipschitz Constraint
GAN-QP: A Novel GAN Framework without Gradient Vanishing and Lipschitz Constraint
Arxiv
5+阅读 · 2018年12月15日
Approximability of Discriminators Implies Diversity in GANs
Approximability of Discriminators Implies Diversity in GANs
Arxiv
4+阅读 · 2018年6月27日
Rethinking Knowledge Graph Propagation for Zero-Shot Learning
Arxiv
17+阅读 · 2018年5月31日
Wasserstein Auto-Encoders
Arxiv
6+阅读 · 2018年3月12日
Stable Distribution Alignment Using the Dual of the Adversarial Distance
Arxiv
3+阅读 · 2018年1月30日
Variational Recurrent Neural Machine Translation
Arxiv
5+阅读 · 2018年1月16日
微信扫码咨询专知VIP会员
Top