标签：Cluster CGAN 笔记 GAN 聚类 空间 潜在 进行

1、文献创新及贡献：

提出一种新的基于聚类机制的CGAN，通过one-hot编码变量和连续潜变量的混合中采样潜变量，再将一个反向网络（将数据投射到潜空间）和一个聚类特定损失值与其进行结合，能实现再潜空间中聚类。GAN再潜变量中虽然保留了观测数据信息，但散点再平滑分散的情况下的散分布导致没有可以观察的集群，因此本文提出了一种算法用以解决上述问题。

文章贡献：

1、利用离散-连续潜变量的混合，以便再潜空间中创建一个非光滑几何

2、由于文章实验过程中面临着实验对象非凸性，因此提出一种适应离散-连续混合的反向传播算法，以及一个显式映射网络来获得给定数据的潜在变量。

3、将GAN与具有特定聚类损耗的网络进行联合，以便投影空间对反映变量的几何问题进行距离的测试。

2、文献设计思路及过程

聚类可以将同一图像下不同物品（信号）进行分类，如果聚类在降维的同时，真实数据也来自于低维流形则效果就会更优。GAN与VAE都是匹配真实数据分布，同时提供潜空间Z到输入空间X的映射。GAN网络在潜在空间中可以提供降维的功能，其中GAN网络中有一个优点是可以在潜空间中进行插值，由于在潜空间中进行聚类的划分，就是本文所需要关注的，那么CGAN能否在潜空间中进行良好的插值运算以及聚类呢？

3、如何在潜在空间上进行聚类

在使用GAN网络进行聚类时是将数据反向传播到潜在空间中，在潜在空间中进行聚类，通过图中可以看出噪声在潜在空间上进行均匀分布，正态分布，高斯最大混合引入时，显得十分的冗余。

针对以上问题如何解决呢？

CGAN从一个规则随机变量与one-hot编码向量级联而成的先验中进行采样。

 ek为R中的第K歌初等向量，K为数据中的族类，最后选，使one-hot为GAN提供足够的信号。使每个模态只从原始数据中的相应类生成样本，选取

 一般选小的，能保证Z空间中的簇的分离。

4、离散-连续混合反向算法

 原始对Z进行优化的方法是：

L是某个合适的损失函数，虽然方法有效，但是在潜在空间进行先验聚类达不到要求，即使反向创博无损，但也无法恢复准确的潜在向量。

优点 ： L是一个合适的损失函数，可以最小化损失量。在作为神经网络实现过程中优点可以在Z空间（潜在空间）获得不同方式的嵌入

缺点 ： 在潜在空间进行先验聚类达不到要求，即使能无损进行反向传播，但却无法准确的恢复潜在向量。但缺点是其非凸性。

解决以上问题有两种方法：

  1、使用不同的初始化参数继续多次重启以获得