摘要
尽管生成对抗网络（GANs）在诸多视觉相关任务中取得了显著成功，但在文本生成等任务中仍常因训练不稳定而表现欠佳。为解决这一问题，本文提出一种新型变分GAN训练框架，该框架具有更优的训练稳定性。我们的方法受变分视角下GAN与强化学习之间关联的启发，由此导出两个关键机制：（1）概率比裁剪（probability ratio clipping），用于正则化生成器训练，防止更新步长过大；（2）样本重加权机制，通过降低劣质假样本的权重来提升判别器的训练效果。此外，所提出的变分GAN框架在理论上可克服传统GAN中一个普遍存在的训练难题——即最优判别器无法为生成器训练提供有效梯度。通过将该训练方法集成至多种前沿GAN架构中，我们在文本生成、文本风格迁移及图像生成等多个任务上均实现了显著的性能提升。