**本书收集了最近的研究工作,解决了关于改进GANs的学习过程和泛化的理论问题,以及GANs在现实生活各个领域的最新应用。**近年来,对抗性学习引起了国内外机器学习领域的广泛关注。生成对抗网络(Generative adversarial networks, GANs)作为对抗学习的主要方法,通过引入极大极小学习的概念,使得两个网络在学习过程中相互竞争,从而获得了巨大的成功和流行。它们的关键能力是生成新数据和复制可用的数据分布,这在许多实际应用中都是需要的,特别是在计算机视觉和信号处理中。本书面向人工智能领域的学者、从业者和研究学生,希望了解GANs理论发展及其应用的最新进展。

http://finelybook.com/generative-adversarial-learning/

成为VIP会员查看完整内容
50

相关内容

书籍在狭义上的理解是带有文字和图像的纸张的集合。广义的书则是一切传播信息的媒体。
【干货书】高维统计学,572页pdf
专知会员服务
91+阅读 · 2021年12月3日
【经典书】半监督学习,524页pdf
专知会员服务
113+阅读 · 2021年8月20日
专知会员服务
37+阅读 · 2021年6月12日
最新《生成式对抗网络GAN逆转》综述论文,22页pdf
专知会员服务
33+阅读 · 2021年1月19日
最新《生成式对抗网络数学导论》,30页pdf
专知会员服务
67+阅读 · 2020年9月3日
【经典书】机器学习高斯过程,266页pdf
专知会员服务
195+阅读 · 2020年5月2日
生成对抗网络,10页pdf
专知
1+阅读 · 2022年11月23日
深度生成模型综述
专知
0+阅读 · 2022年1月2日
【干货书】高维统计学,572页pdf
专知
6+阅读 · 2021年12月3日
【学界】GANs最新综述论文: 生成式对抗网络及其变种如何有用
GAN生成式对抗网络
30+阅读 · 2019年1月5日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
8+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
国家自然科学基金
6+阅读 · 2008年12月31日
Arxiv
17+阅读 · 2020年7月21日
Adversarial Mutual Information for Text Generation
Arxiv
12+阅读 · 2020年6月30日
Arxiv
10+阅读 · 2018年3月23日
Arxiv
11+阅读 · 2018年1月15日
VIP会员
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
8+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
国家自然科学基金
6+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员