ClusterGAN: 生成對抗網絡中的潛在空間聚類

作者：凱魯嘎吉 - 博客園 http://www.cnblogs.com/kailugaji/

    生成對抗網絡(GANs)在許多無監督學習任務中取得了顯著的成功，毫無疑問，聚類是一個重要的無監督學習問題。雖然可以利用GANs中的潛在空間反向投影進行聚類，但[1]證明了在GAN的潛在空間中並沒有保留聚類結構。[1]提出了一種新的基於GANs的聚類機制—ClusterGAN。通過從one-hot離散編碼變量和連續編碼變量的混合變量中采樣潛在變量，再結合通過特定聚類損失訓練的反向映射網絡(將數據投影到潛在空間)，可以實現潛在空間聚類。

    這篇博客首先給出了生成模型的主要分支架構，比較了變分自編碼器(VAE)與生成對抗網絡(GANs)的區別與優缺點，並簡要介紹了GAN的基本原理與訓練過程，最后介紹ClusterGAN。比較了GAN與ClusterGAN之間的區別與聯系，以及ClusterGAN的主要貢獻與思路。

1. 生成模型主要分支

2. VAE vs GAN

3. GAN

4. ClusterGAN

5. 參考文獻

[1] Mukherjee S , Asnani H , Lin E , et al. ClusterGAN: Latent Space Clustering in Generative Adversarial Networks. Proceedings of the AAAI Conference on Artificial Intelligence, 2019, 33:4610-4617.

[2] ClusterGAN代碼 --GitHub

[3] Lecture 13: Generative Models --Fei-Fei Li

[4] Deep Generative Models --Shenlong Wang

[5] 變分推斷與變分自編碼器 - 凱魯嘎吉 - 博客園 

[6] 邱錫鵬, 神經網絡與深度學習[M]. 2020.