DP-GAN指的是Diversity-Promoting GAN（而不是另外一篇论文里提出的Differentially Private GAN ），论文的标题是Diversity-Promoting GAN: A Cross-Entropy Based Generative Adversarial Network for Diversified Text Generation，发表于EMNLP 2018。
主要亮点
从标题可以看出，这篇文章是着眼于多样化的文本生成而提出的。SeqGAN在用GAN处理序列问题这方面取得了令人满意的结果，然而，SeqGAN的Discriminator仍是一个传统的真伪分类器，不能很好地反映文本的novelty（新颖性）。鉴于这一观察，作者在SeqGAN的基础上对Discriminator进行了改进，提出了一种基于language model的Discriminator。
Reward
显然reward也需要重新定义一番，作者提出了两种reward：局部的word-level reward和全局的sentence-level reward。
Word-level reward有点像是当前状态的immediate reward，可以直接根据当前的词来给出，采用的是language model的cross entropy输出：
Cross entropy的定义原本是这样的：
这里把ground-truth概率t都视为1，所以得到这样的公式。
不过这里reward的取值意义是越大越好，因此导致language model的输出概率尽可能小（与原本的cross-entropy loss正相反），这样一来就保证了用词的novelty。
至于sentence-level reward，则是简单地对整个句子的word-level reward取平均值：
这里对比一下SeqGAN的reward：
后者简单地以Discriminator判定句子为真的概率作为reward，带来的问题是，reward的值域只在0到1之间，而Discriminator很容易被训练到一个较高的精度，真实的文本往往得到非常接近1的reward，即使它们的novelty有所差异，这也无法反映在reward上，类似的问题也出现在生成的文本上。
下面是一个直观的对比图：
相比之下，DP-GAN的sentence-level reward对文本novelty的反映就准确得多。
一个完整句子的reward是上述两类reward的结合：
训练
类似于SeqGAN，DP-GAN Generator的目标函数同样是最大化期望的reward：
这里的Q值以“当前句子在以
作为第一个词的情况下所期望取得的reward”作为估计值，其中的计算过程论文并没有清楚地阐述出来，与师兄讨论了一番后，我们都认为应该还是需要用到类似Monte Carlo search的方法来模拟一个完整的序列出来，就如SeqGAN采用的方法一样。
小结
1. DP-GAN和SeqGAN都采用了“GAN+RL”的模式，这套方法论让人看到把GAN应用到序列问题上的无穷潜力，同时，应用到这些问题上的具体公式也加深了我对强化学习进一步的理解。
2. DP-GAN创新性地对Discriminator进行了改进，不再局限于把Discriminator当做一个二元分类器，而且可以直接给出单个词的reward。
