标签：编码器 文本 AI 网络 生成 分享 TBC Element 对抗

 

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

 

 

 

 

 

 

 

 

 

 

 

 

标签：编码器,文本,AI,网络,生成,分享,TBC,Element,对抗
来源： https://www.cnblogs.com/cx2016/p/13754559.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。