其他
【源头活水】GAN,没错,生成对抗网络也可以被用于时间序列预测
“问渠那得清如许,为有源头活水来”,通过前沿领域知识的学习,从其他研究领域得到启发,对研究问题的本质有更清晰的认识和理解,是自我提高的不竭源泉。为此,我们特别精选论文阅读笔记,开辟“源头活水”专栏,帮助你广泛而深入的阅读科研文献,敬请关注。
01
GAN,generative adversarial networks,中文名生成对抗网络,由大名鼎鼎的Ian Goodfellow(花书的作者之一)于2014年提出,可以算是深度学习模型近些年发展过程中重要的模型之一。既然说到这里,顺便贴一张深度学习模型的重要进展梳理图,GAN能从众多工作中脱颖而出,一定是具有自己的独到之处。
图片来自2019年清华大学和中国工程院整理的《人工智能发展报告》
02
03
ForGAN的总体架构
04
本文目的在于学术交流,并不代表本公众号赞同其观点或对其内容真实性负责,版权归原作者所有,如有侵权请告知删除。
“源头活水”历史文章
开放世界实体分割 Open-World Entity Segmentation
ICCV‘21 | 具有样本特定触发器的隐形后门攻击
ACL2021: 对比学习还能这样用?提升多语言机器翻译性能
CVPR 2021 | AdCo-基于对抗的对比学习(已开源)
最前沿:深度解读Soft Actor-Critic 算法
RL Transformer之Trajectory Transformers
差分卷积在计算机视觉中的应用
ICML2021 | Self-Tuning: 如何减少对标记数据的需求?
MaskFormer: 语义分割是像素分类问题吗?
原型学习在Few-Shot语义分割中的使用
协作学习中的非预期特征泄露研究
基于对抗的迁移学习方法: DANN域对抗网络
TIP2021—重访CV经典: 首个无监督深度学习图像拼接框架
自步对比学习: 充分挖掘无监督学习样本
更多源头活水专栏文章,
请点击文章底部“阅读原文”查看
分享、在看,给个三连击呗!