我们对信息过滤的本质知之甚少 — David 9
还记得我们在GAN大盘点中聊到的infoGAN吗？通过控制隐信息c可以生成特定条件的图像（倾斜更高，宽度更大）：
今年Facebook在NIPS2017上发表的Fader Networks（渐变网络）更近一步，对于更抽象的特征也可以进行条件生成：
如上图，“年轻”，“苍老”，“男性”，“女性”，“是否戴墨镜”，都是可以在生成器生成阶段任意指定。
但是有没有注意到上图demo中，头发的样子始终是不变的，看来Facebook还没有很好地解决头发生成的问题？男性和女性的头发样式明显应该不同，年轻和年老时的头发样式和色泽肯定也是不同的。 继续阅读Facebook渐变神经网络: 通过任意指定属性，操纵生成图像，NIPS2017论文选读1
训练”稳定”，样本的”多样性”和”清晰度”似乎是GAN的 3大指标 — David 9
聊到随机样本生成, 不得不提VAE与GAN, VAE用KL-divergence和encoder-decoder的方式逼近真实分布. 但这些年GAN因其”端到端”灵活性和隐式的目标函数得到广泛青睐. 而且, GAN更倾向于生成清晰的图像:
GAN在10次Epoch后就可以生成较清晰的样本, 而VAE的生成样本依旧比较模糊. 所以GAN大盘点前, 我们先比较一下VAE与GAN的结构差别:
VAE训练完全依靠一个假设的loss函数和KL-divergence逼近真实分布:
GAN则没有假设单个loss函数, 而是让判别器D和生成器G之间进行一种零和博弈, 继续阅读独家 | GAN大盘点，聊聊这些年的生成对抗网络 : LSGAN, WGAN, CGAN, infoGAN, EBGAN, BEGAN, VAE
Prominent Paper Award (卓越论文奖) 是AIJ期刊评选出的六年内具有杰出影响力的论文. 今年, BabelNet当选该奖, BabelNet新的在线版更是令人影响深刻:
如上搜索”自由经济“, BabelNet不仅仅会给出”市场经济“, “市场力量“等WordNet语义聚类. 还会给出语义关系:
即, “市场经济“是一个”经济 概念 “, 是”市场“的一部分, 是一种”资本主义“. 继续阅读IJCAI 2017精选之”BabelNet”: WordNet与维基百科的混血儿, 大型国际化语义关系网
