全文总字数：4489字
1. 研究目的与意义（文献综述）
1.1研究背景：
近年来随着硬件算力的提升，研究者在机器学习研究领域取得了众多的研究成果，推进了各类模型、深度学习算法的进步，在运算效率、模型准确率、参数敏感性等研究方向取得了不同程度的提升。
生成对抗网络作为一种优秀的生成模型，是众多研究人员的攻克方向。goodfellow于2014发表generative adversarial networks论文，提出生成多抗网络思想以及损失函数，国外研究者已经设计出多种典型算法，例如dcgan、progan、wgan等。这些算法在许多研究领域都有应用，并出色地完成了一些预期工作。谷歌大脑研究员augustus odena于2019年发表文章，指出gan在分布建模、非图像数据、不同生成模型间的基本权衡等问题上的研究思想，并研讨了未来的工作方向。
2. 研究的基本内容与方案
2.1基本内容（功能）：
本次研究是针对多示例数据，进行对抗生成网络的结构设计与训练，完成多示例数据的正反例关键特征提取，并进行测试数据预测，完成与多个现有的多示例学习方法的比较分析。多示例数据是网络训练的特征来源，由于多示例数据与传统标签数据相比，具有一定特殊性，需要完成采集工作。设计生成对抗网络，完成相关训练。
研究内容为：
3. 研究计划与安排
2020.01.13—2020.02.28查阅参考文献，明确选题，完成外文文献翻译、摘要总结与开题报告。
2020.03.01—2020.04.30设计网络架构，代码实现，横向比较实验分析
2020.05.01—2020.05.25撰写以及修改毕业论文
4. 参考文献（12篇以上）
[1] goodfellow ian, pouget-abadie j,mirza m, et al. generative adversarial nets[c]//advancesin neural information processing systems. 2014: 2672-2680.
[2] sun m, han tx, liu m c, et al. multiple instance learning convolutional neural networks forobject recognition[c]// international conference on pattern recognition. ieee,2017:3270-3275.
[3] chen x, duan y, houthooft r, et al. infogan:interpretable representation learning by information maximizing generative adversarialnets[c]//advances in neural information processing systems. 2016: 2172-2180.
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
