Conditional Generative Adversarial Nets论文总结

论文地址：Conditional Generative Adversarial Nets

2014年，Goodfellow提出了Generative Adversarial Networks，在论文的最后他指出了GAN的优缺点以及未来的研究方向和拓展，其中他提到的第一点拓展就是：

A conditional generative model p(x|c) can be obtained by adding c as input to both G and D。

这是因为这种不需要预先建模的方法缺点是太过自由了，对于较大的图片，较多的pixel的情形，基于简单 GAN 的方式就不太可控了。

于是我们希望得到一种条件型的生成对抗网络，通过给GAN中的G和D增加一些条件性的约束，来解决训练太自由的问题。

于是同年，Mirza等人就提出了一种Conditional Generative Adversarial Networks，这是一种带条件约束的生成对抗模型，它在生成模型（G）和判别模型（D）的建模中均引入了条件变量y，这里y可以是label，可以是tags，可以是来自不同模态是数据，甚至可以是一张图片，使用这个额外的条件变量，对于生成器对数据的生成具有指导作用，因此，Conditional Generative Adversarial Networks也可以看成是把无监督的GAN变成有监督模型的一种改进，这个改进也被证明是非常有效的，为后续的相关工作提供了指导作用。

在之前的文章中，我们提到了Generative Adversarial Networks实际上是对D和G解决以下极小化极大的二元博弈问题：

而在D和G中均加入条件约束y时，实际上就变成了带有条件概率的二元极小化极大问题：

在生成器模型中，条件变量y实际上是作为一个额外的输入层（additional input

layer），它与生成器的噪声输入p(z)组合形成了一个联合的隐层表达；在判别器模型中，y与真实数据x也是作为输入，并输入到一个判别函数当中。实际上就是将z和x分别于y进行concat，分别作为生成器和判别器的输入，再来进行训练。其实在有监督的DBN中，也用到了类似的做法。Conditional

Generative Adversarial Networks的基本框架如下图：

在论文中，作者做了两个实验，一是MNIST手写体数据集的生成，二是基于多模态的图像自动标注。

在MNIST数据集的实验中，对于生成器模型，将label的one-hot编码与100维的均匀分布的噪声输入concat起来作为输入，输出是784维的生成数据，与数据集28*28的维度一致。对于判别器模型，作者使用了一个maxout的激活层，对maxout感兴趣的朋友可以去看Goodfellow2013年的一篇论文Maxout Networks，本文作者提到了模型的框架并不是限定的，只不过在这里使用maxout对于这个任务的效果非常好。

在多模态的实验中，作者使用的是Flickr数据集，这个数据集具有大量的含有标签的图像，并且具有很多user-generated metadat/user-tags，而这些user-tags的好处是，相当于是很多人来描述这张图片，而不是仅仅来定义这张图片，并且对于不同的人来描述可能会出现很多同义词，这对训练也起到了非常有效的效果。

在这里，作者的目的是利用图像的特征作为条件变量，生成词向量的分布，实现一个图像自动标注的功能。对于image feature，作者使用的是在ImageNet数据集上预训练的卷积神经网络，利用最后一个全连接层的4096个单元的输出作为图像特征。对于word representation，先从YFCC100M数据集中收集一个语料库，包含有相关的user-tags、标题以及描述等，然后训练一个skip-gram的模型，用来生成一个语义的字典。然后在实验中，分别使用上面的卷积模型和skip-gram模型来提取Flickr数据集中的图片和tag特征，然后来训练我们的Conditional Generative Adversarial Network，最终实现了很好的图像自动标注的效果。

在文章的最后，作者提出了几点未来的研究方向，第一，文中使用的模型和方法都是比较简单的，作者希望能够探索更加sophisticated的ConditionalGenerative Adversarial Network；第二，在文章中的图像自动标注实验中，是每次单独使用一个tag，作者希望能够同时使用多个tags能达到更好的效果；第三，作者希望能够构建一个联合训练机制来学习一个languagemodel，能够适应于特定的任务。

总的来说，Conditional Generative Adversarial Networks的确是一个在原始GAN上非常直接也很有效的改进，能够更加有效的发挥GAN在数据生成上的效果，并且在很多场所都会有非常重要的运用。