软件学报

作者：李崇轩，朱军，张钹

单位：李崇轩，清华大学 计算机科学与技术系, 北京 10008411,朱军，清华大学 计算机科学与技术系, 北京 10008402,张钹，清华大学 计算机科学与技术系, 北京 10008403

关键词：深度生成模型;产生式对抗网络;概率图模型;弱监督学习;条件模型

基金：国家自然科学基金（61620106010，61621136008）；博士后创新人才拔尖计划

产生式对抗网络（generative adversarial networks，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（graphical-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（conditional graphical-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graphical-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（conditional Gaussian mixture GAN，简称cGMGAN）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（conditional state space GAN，简称cSSGAN）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.

来源：2020年第4期

《软件学报》期刊编辑部

查看软件学报杂志2020年第4期