机构名称：
¥ 3.0
摘要生成对抗网络（GAN）最近在AI社区引起了很大的关注，因为它们能够生成与真实数据相似的高质量数据的高质量数据。从根本上讲，GAN是以对抗性方式训练的两个神经网络之间的游戏，以达到零和NASH平衡状况。尽管在过去几年中，甘斯取得了进步，但仍有一些问题要解决。本文回顾了有关GAN的游戏理论方面的文献，并介绍了游戏理论模型如何应对生成模型的特定挑战并改善GAN的性能。我们首先提出一些初步，包括基本的GAN模型和一些游戏理论背景。然后，我们提出了分类法，将最新解决方案列为三个主要类别：修改后的游戏模型，修改后的体系结构和修改后的学习方法。分类是基于对基本GAN模型的修改，通过文献中提出的游戏理论方法。然后，我们探讨每个类别的目标，并讨论每个类别中的最新作品。最后，我们讨论了该领域的剩余挑战，并提出了未来的研究方向。
生成对抗网络的游戏理论模型
主要关键词
相关文件推荐
