我正在探索TimeGAN架构（Yoon等人），我研究了原作者https://github.com/jsyoon0823/TimeGAN/blob/master/timegan.py的代码，以及用TensorFlow 2编写的修订代码，https://github.com/ydataai/ydata-synthetic/blob/e4cace4fb5c7ac47604364fbf300c7b072faab8a/src/ydata_synthetic/synthesizers/timeseries/timegan/model.py#L339。实际论文似乎缺乏TimeGAN架构的许多细节，特别是与监督模型相关的细节。第一参考文献的第132行示出了监督者的预期输入是“H”，即潜在表示。在第170和171行中，管理器被给予两个单独的输入，'E-Hat'产生'H_hat'，'H'产生'H_hat_supervise'。监督损失被定义为这两者的MSE（“H”和“H_hat_supervised”）。这部分说不通如果'H'是管理器的输入，它的输出直接与'H'进行比较。这不是强制监督者是同一的吗？此外，该损失的可训练变量被定义为发电机权重和管理器权重。当生成器不用于生成'H'或'H_hat_supervised'时，为什么要将生成器权重包括在其中？
1条答案
按热度按时间xzlaal3s1#
请注意，正如代码中所注解的，管理程序的目标是“使用前一个序列生成下一个序列”（源文件中的第133行）。因此，监督丢失在
H_hat_supervised和H的移位版本之间（源文件中的第200行）：这就是你想要的（我想，我还没有读报纸）。此外，supervisor的输出也用于
X_hat的创建，所以无论如何它不会收敛到恒等式中。关于你的第二个问题，我也想知道，因为它看起来是多余的--监督损失不依赖于这些权重，而且在这个损失的反向传播过程中，它们似乎不会更新。