[发明专利]训练类条件生成对抗序列网络

权利要求书

1.一种用于训练生成对抗网络（GAN）的计算机实现的方法（100），所述方法包括：

-访问（110，120）：

-生成模型数据，其定义包括生成模型（G）和鉴别模型（D）的生成对抗网络，

-生成对抗网络的训练数据，其包括训练数据实例（x_d）和训练数据标签（y_d），其中数据标签（y_d）表示来自类集合（）的类；

其中，生成模型（G）被配置为基于从潜在空间采样的潜在向量（z）并且基于从类集合（）选择的生成器输入标签（y_g）来生成合成输出实例（x_g），并且其中，鉴别模型（D）被配置为对输入实例（x）进行分类；

-交替地训练生成模型和鉴别模型，

其中训练（130）鉴别模型（D）包括使用相应的预测目标（y）在训练数据实例（x_d）和合成输出实例（x_g）上训练（150）鉴别模型（D），其中训练数据实例（x_d）的预测目标是训练数据标签（y_d），并且其中合成输出实例（x_g）的预测目标是通过将生成器输入标签（y_g）分配给另一类集合（）来生成的，在所述另一类集合（）中，所述类集合中的每个类（c）由对应的另一类（c+ C）来表示；

其中训练（160）生成模型（G）包括使用从鉴别模型（D）获得的信息性信号来训练（170）生成模型（G），其中信息性信号是根据鉴别模型（D）而输入实例（x）属于所述类集合的类（y=c）或者属于所述另一类集合的对应类（y=c₊C）的相应条件概率的函数。

2.根据权利要求1所述的计算机实现的方法（100），其中信息性信号包括输入实例（x）属于所述类集合的类（y=c）的第一条件概率（）和输入实例（x）属于所述另一类集合的对应类（y=c₊C）的第二条件概率（）的对数概率比（）。

3.根据权利要求1所述的计算机实现的方法（100），其中训练生成模型（G）包括使用第一条件概率和第二条件概率的对数概率比来最小化KL散度（）。