文献类型：期刊文章

作　　者：林懿伦[1,2,3] 戴星原[1,2,3] 李力[4] 王晓[1,3] 王飞跃[1,5,6]

LIN Yi-Lun;DAI Xing-Yuan;LI Li;WANG Xiao;WANG Fei-Yue(The State Key Laboratory for Management and Control of Complex Systems, Institute of Automation, Chinese Academy of Sciences, Beijing 100190;University of Chinese Academy of Sciences, Beijing 100049;Qingdao Academy of Intelligent Industries, Qingdao 266109;Department of Automation, Beijing National Research Center for Information Science and Technology （BNRist）, Tsinghua University, Beijing 100084;Research Center of Military Computational Experiments and Parallel System, National University of Defense Technology, Changsha 410073;Center of China Economic and Social Security, The University of Chinese Academy of Sciences, Beijing 101408)

机构地区：[1]中国科学院自动化研究所复杂系统管理与控制国家重点实验室,北京100190 [2]中国科学院大学,北京100049 [3]青岛智能产业技术研究院,青岛266109 [4]北京信息科学与技术国家研究中心,清华大学自动化系,北京100084 [5]国防科学技术大学军事计算实验与平行系统技术中心,长沙410073 [6]中国科学院大学中国经济与社会安全研究中心,北京101408

出　　处：《自动化学报》

基　　金：国家自然科学基金(61533019,61702519); 北京市科技项目(D17110600030000,ZC179074Z)资助

年　　份：2018

卷　　号：44

期　　号：5

起止页码：775-792

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2017_2018、EI、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：生成式对抗网络(Generative adversarial networks,GAN)是当前人工智能学界最为重要的研究热点之一.其突出的生成能力不仅可用于生成各类图像和自然语言数据,还启发和推动了各类半监督学习和无监督学习任务的发展.本文概括了GAN的基本思想,并对近年来相关的理论与应用研究进行了梳理,总结了GAN常见的网络结构与训练方法,博弈形式,集成方法,并对一些应用场景进行了介绍.在此基础上,本文对GAN发展的内在逻辑进行了归纳总结.

关 键 词：深度学习  生成式对抗网络  生成模型  对抗学习  平行学习  

分 类 号：TP18]