软件学报

作者：苟瑶，李敏，杜卫东，何玉杰，吴肇青，宋雨

单位：苟瑶，火箭军工程大学 作战保障学院, 陕西 西安 71002511,李敏，火箭军工程大学 作战保障学院, 陕西 西安 71002502,杜卫东，火箭军工程大学 作战保障学院, 陕西 西安 710025;武警工程大学 密码工程学院, 陕西 西安 71008603,何玉杰，火箭军工程大学 作战保障学院, 陕西 西安 71002504,吴肇青，火箭军工程大学 作战保障学院, 陕西 西安 71002505,宋雨，火箭军工程大学 作战保障学院, 陕西 西安 710025;国防科技大学 信息与通信学院, 湖北 武汉 43003506

关键词：生成对抗网络;双向约束;样本多样性;数据分布

基金：国家自然科学基金(62006240)

提高生成样本的质量和多样性一直是生成对抗网络(generative adversarial network, GAN)领域主要挑战任务之一. 为此, 提出了一种双向约束生成对抗网络(bidirectional constraint generative adversarial network, BCGAN). 与传统GAN变体相比, 该网络在架构设计上增加了一个生成器模块, 两个生成器分别从两个不同方向逼近真实样本的数据分布. 然后根据BCGAN的网络架构, 设计了新的损失函数, 并对其进行了理论分析及证明. 在BCGAN的训练过程中, 一方面通过增加两个生成样本数据分布之间的距离来丰富生成样本的多样性, 另一方面通过减小鉴别器对两个生成样本数据分布之间的差异来稳定训练过程, 提高生成样本的质量. 最后, 在1个合成数据集和3个不同公开挑战数据集上进行了实验. 一系列实验证明, 较其他生成方法相比, 所提方法对真实数据分布具有更强的拟合能力, 能够有效提升生成样本的质量和多样性. 此外, 所提方法的训练过程更加平滑稳定.

来源：2023年第9期

《软件学报》期刊编辑部

查看软件学报杂志2023年第9期