ClusterGAN: 生成对抗网络中的潜在空间聚类
作者：凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/
生成对抗网络(GANs)在许多无监督学习任务中取得了显著的成功，毫无疑问，聚类是一个重要的无监督学习问题。虽然可以利用GANs中的潜在空间反向投影进行聚类，但[1]证明了在GAN的潜在空间中并没有保留聚类结构。[1]提出了一种新的基于GANs的聚类机制—ClusterGAN。通过从one-hot离散编码变量和连续编码变量的混合变量中采样潜在变量，再结合通过特定聚类损失训练的反向映射网络(将数据投影到潜在空间)，可以实现潜在空间聚类。
这篇博客首先给出了生成模型的主要分支架构，比较了变分自编码器(VAE)与生成对抗网络(GANs)的区别与优缺点，并简要介绍了GAN的基本原理与训练过程，最后介绍ClusterGAN。比较了GAN与ClusterGAN之间的区别与联系，以及ClusterGAN的主要贡献与思路。
1. 生成模型主要分支
2. VAE vs GAN
3. GAN
4. ClusterGAN
5. 参考文献
[1] Mukherjee S , Asnani H , Lin E , et al. ClusterGAN: Latent Space Clustering in Generative Adversarial Networks. Proceedings of the AAAI Conference on Artificial Intelligence, 2019, 33:4610-4617.
[2] ClusterGAN代码 --GitHub
[3] Lecture 13: Generative Models --Fei-Fei Li
[4] Deep Generative Models --Shenlong Wang
[5] 变分推断与变分自编码器 - 凯鲁嘎吉 - 博客园
[6] 邱锡鹏, 神经网络与深度学习[M]. 2020.
