Deep learning 增加对生成性对抗网络的限制，例如，没有双头狗_Deep Learning_Neural Network_Mathematical Optimization_Generative Adversarial Network

Deep learning 增加对生成性对抗网络的限制，例如，没有双头狗

deep-learning neural-network

Deep learning 增加对生成性对抗网络的限制，例如，没有双头狗,deep-learning,neural-network,mathematical-optimization,generative-adversarial-network,Deep Learning,Neural Network,Mathematical Optimization,Generative Adversarial Network,在GAN框架中，生成器会违反真实分布的硬约束（在图像中未明确表示），这并不少见，例如狗很少有一个以上的头或4条腿考虑到没有头部或腿部计数神经元，并且人们对使用领域知识挖掘这些规范并将其用作鉴别器的输入不感兴趣，在GANs或约束优化问题的上下文中，有哪些方法可以挖掘和执行这些规范在我自己的例子中，数据由钢琴卷组成，也就是说，一个轴代表时间T，另一个轴代表音符N。规范的一些示例可能是：A）对于t中的每一个t，只有一个正值N，即每个时间步长有一个音符B）只有当音符轴中的正值直接和间接邻域的计数等

在GAN框架中，生成器会违反真实分布的硬约束（在图像中未明确表示），这并不少见，例如狗很少有一个以上的头或4条腿

考虑到没有头部或腿部计数神经元，并且人们对使用领域知识挖掘这些规范并将其用作鉴别器的输入不感兴趣，在GANs或约束优化问题的上下文中，有哪些方法可以挖掘和执行这些规范

在我自己的例子中，数据由钢琴卷组成，也就是说，一个轴代表时间T，另一个轴代表音符N。规范的一些示例可能是：A）对于t中的每一个t，只有一个正值N，即每个时间步长有一个音符B）只有当音符轴中的正值直接和间接邻域的计数等于或大于2时，正值N才能存在

e、 g

非常欢迎您的建议！低级别图像特征控制的一个示例。

您可以做的是向您的投诉人提供检测此类行为的工具。在你的例子中，你有“邻居规则”，所以我会在你的鉴别器中的某个时间点上添加conv层。就我的2个问题而言，我所知道的两种可能的解决方案是用数字表示这些约束是什么，而不是将这些约束作为输入添加到鉴别器和/或生成器中，或者将正则化器添加到鉴别器的损失中。我感兴趣的是一个更通用的解决方案和自动学习约束和损失的方法。虽然我认为有更多的数据可以改善这一点，但仍然不能保证满足约束条件，例如双头狗。我不理解这个问题。您假设鉴别器中的神经元无法计算输入图像中狗头的数量，但为什么会出现这种情况？计算给定类型的功能的数量是网络可以学习的。

Invalid 
10110110 
11001101

Valid 
00000000 
11101111