摘要:产生式对抗网络（ ，简称GANs）可以生成逼真的图像，因此最近被广泛研究.值得注意的是，概率图生成对抗网络（-GAN）将贝叶斯网络引入产生式对抗网络框架，以无监督的方式学习到数据的隐藏结构.提出了条件概率图生成对抗网络（ -GAN），它可以在弱监督环境下，利用粗粒度监督信息来学习到更精细而复杂的结构.条件概率图生成对抗网络的推理和学习遵循与-GAN类似的方法.提出了条件概率图生成对抗网络的两个实例.条件高斯混合模型（ GAN，简称）可以在给出粗粒度标签的情况下从混合数据中学习细粒度聚类.条件状态空间模型（ state space GAN，简称）可以在给定对象标签的情况下学习具有多个对象的视频的动态过程.
: (GANs) have been on and hence have been . , (-GAN) to the GAN to learn the of data in an . This study a of -GAN, which can side to the -GAN and learn finer and more , in – . The and of -GAN a to -GAN. Two of -GAN are . The GAN can learn fine from data given a label. The state space GAN can learn the of with given the of the ..
PDF全文下载地址:
323AI导航网发布
相关文章
