【斯坦福大学】领域自适应小样本生成（DAWSON: A Domain Adaptive Few Shot Generation Framework）

题目： DAWSON: A Domain Adaptive Few Shot Generation Framework

摘要：

为一个新领域从无到有地训练一个可生成对抗网络(GAN)需要大量的训练数据和几天的训练时间。为此，我们提出了一种基于元学习的GANs领域自适应少镜头生成框架DAWSON。在GANs上应用元学习的一个主要挑战是，由于GANs的无概率特性，通过在开发集上对生成器进行评估来获得生成器的梯度。为了解决这一挑战，我们提出了一个替代的GAN训练过程，它自然地结合了GANs的两步训练过程和元学习算法的两步训练过程。DAWSON是一个即插即用的框架，它支持一个广泛的元学习算法家族和各种具有体系结构变体的GANs。在DAWSON的基础上，我们还提出了音乐日场，这是第一个少镜头的音乐生成模型。我们的实验表明，音乐日场可以快速适应新的领域，只有几十首歌曲从目标领域。我们还表明，DAWSON可以学习生成新的数字只有四个样本在MNIST数据集。我们在PyTorch和Tensorflow中发布了DAWSON的源代码实现，生成了两种类型的音乐样本和快闪视频。

作者：

Weixin Liang,斯坦福大学，主要研究方向为自然语言处理，对话系统，计算机系统。