坦白讲，作者讲的不是很好，理解还是很深刻的，学到了

2019-04-20 19:184回复 yrwubu

感觉作者使用auto encoder decoder 方式，将样本空间变换成连续空间，方向很好，但是网络是否能够很好的覆盖或者反应样本分布（加噪声其实是鲁棒性的一个小trick），因为这个网络本来也效果不是特别好啊

 

 

 

 

 

 

 

 

 

Element AI Research Scientist、纽约大学博士张翔，他将与大家分享的主题是“GAN for Text:Hype or Real Deal?”

届时，将从实用主义的角度分析文本生成对抗网络的可行性和研究意义。同时，通过对目前各类文本生成对抗网络论文的简略回顾，提出一些利用自编码器解决问题的研究方法和途径，以及一些探索性的初步结果。

【温馨提示】由于嘉宾时差问题，本次分享临时调整到北京时间4月18日（周四）晚7点。

活动信息

▼

主题：GAN for Text:Hype or Real Deal?

嘉宾：Element AI研究员、纽约大学博士 张翔

时间：北京时间4月18日（周四）19:00

地点：将门创投斗鱼直播间

分享提纲

▼

生成对抗网络(Generative Adversarial Networks, GAN)是一种目前学界非常流行的生成模型训练方法，并且在图像生成上已经取得了非常好的效果。

本次分享通过比较图像数据和文本数据的不同点，以及分析生成对抗网络训练过程中所遇到的困难，以实用主义的角度分析文本生成对抗网络的可行性和研究意义。同时，通过对目前各类文本生成对抗网络论文的简略回顾，提出一些利用自编码器解决问题的研究方法和途径，以及一些探索性的初步结果。

本次分享主要分为以下几个内容：

• 图像和文本数据的特性对比以及对生成对抗网络适用性的影响

• 生成对抗网络的模式崩溃和训练难两大问题在文本数据上的体现

• 问题归总和现有论文中的解决方法简略回顾

• 利用特征抗噪自编码器解决生成对抗网络训练难题的初步结果