The Bid Picture: Auction-Inspired Multi-player Generative Adversarial Networks Training

本文提出了一种拍卖启发的多人生成对抗网络训练方法，可以缓解GAN的模式崩溃问题。当过拟合的生成器只生成有限范围的样本时，往往会集中于数据分布的一小部分，从而导致模式崩溃。尽管生成的样本多样性受到限制，鉴别器仍然会被欺骗成把这些样本识别为实际分布中的真实样本。在没有外部标准的情况下，模型无法在训练阶段识别其失败。我们将生成对抗网络的两人博弈扩展到多人博弈。在训练过程中，每个模型的价值由其他玩家提交的出价决定，类似于拍卖过程。

解决问题：论文试图解决GAN中的模式崩溃问题，提出了一种基于拍卖的多人GAN训练方法。

关键思路：将两人博弈扩展为多人博弈，并通过类拍卖过程来确定每个模型的价值。

其他亮点：论文通过实验验证了该方法的有效性，并在多个数据集上进行了测试。同时，作者还提供了开源代码，方便其他研究者进行进一步研究。

相关研究：最近的相关研究包括：'Improved Techniques for Training GANs'、'Wasserstein GAN'、'Unrolled GAN'等。