吴帆0923

学习笔记17

• 简单看了一下张老师发的论文《Triangle Generative Adversarial Networks》
  这篇文章提出了一个新的GAN结构——三角生成对抗网络。这个模型结构如下图，它可以在半监督学习的情况下学习到样本的联合分布。训练数据类型来自多个领域，并且只有一部分不同领域的数据能配对（也就是是标签与数据的关系）。比如人像图片数据和对人脸描述的语句数据，这两种数据类型不同，且只有一部分是关联的。

结构一共有两个生成器和两个判别器。其中，两个生成器的目的，是各自将自己领域的数据映射到对方领域的数据。比如一个生成器将图片映射到文字，一个将文字映射到图片。而两个判别器的作用，就是判断生成器生成的数据是否是成对的——也就是是否可以认为是匹配对应的标签关系。同时，两个判别器具有不同的输入。D1是依次判断真实数据对和生成的数据对，D2则是判断两个生成的数据对。显然，D1的优化目的是让生成的数据更加接近真实数据，D2的目的是让两个生成器生成的成对数据程度接近。理论上，可以通过对抗训练完成对生成器和判别器的优化，最终能够实现不同领域不同类型但是相互关联数据的彼此映射。
我只关注了论文提出模型的结构的原理，后面的实验部分暂时没看。

• 最近在写综述对抗攻击构建原理的时候，在求导优化的推导上觉得有些困难，所以看了一点数学和矩阵方面的推导方法。顺便看了一个关于约束优化的课件。