<div dir="ltr"><b>TL;DR – CFP</b>:  Neural Networks journal special issue on GANs<br><b>GUEST EDITORS</b>: <font size="2">Ariel Ruiz-Garcia, Jürgen Schmidhuber, Vasile Palade, Clive Cheong Took, Danilo Mandic</font><br><b>SUBMISSION DEADLINE</b>: 30th November [extended] 2019<br>----------------------------------<br><div id="gmail-m_6482979249326675986gmail-m_-4593170810047768539m_-978178437002378006:1cv"><br><b>CALL FOR PAPERS[deadline reminder]</b>: Neural Networks Journal<br><br>  <font size="4"><span style="color:rgb(7,55,99)"><b>Special Issue on Deep Neural Network Representation and Generative Adversarial Learning</b></span></font><br><br>Generative

 Adversarial Networks (GANs) have proven to be efficient systems for 

data generation. Their success is achieved by exploiting a minimax 

learning concept, which has proved to be an effective paradigm in 

earlier works, such as predictability minimization, in which two 

networks compete with each other during the learning process. One of the

 main advantages of GANs over other deep learning methods is their 

ability to generate new data from noise, as well as their ability to 

virtually imitate any data distribution. However, generating realistic 

data using GANs remains a challenge, particularly when specific features

 are required; for example, constraining the latent aggregate 

distribution space does not guarantee that the generator will produce an

 image with a specific attribute. On the other hand, new advancements in

 deep representation learning (RL) can help improve the learning process

 in Generative Adversarial Learning (GAL). For instance, RL can help 

address issues such as dataset bias and network co-adaptation, and 

identify a set of features that are best suited for a given task.<br><br>Despite

 their obvious advantages and their application to a wide range of 

domains, GANs have yet to overcome several challenges. They often fail 

to converge and are very sensitive to parameter and hyper-parameter 

initialization. Simultaneous learning of a generator and a discriminator

 network often results in overfitting. Moreover, the generator model is 

prone to mode collapse, which results in failure to generate data with 

several variations. Accordingly, new theoretical methods in deep RL and 

GAL are required to improve the learning process and generalization 

performance of GANs, as well as to yield new insights into how GANs 

learn data distributions.<br><br>This special issue on Deep Neural 

Network Representation and Generative Adversarial Learning invites 

researchers and practitioners to present novel contributions addressing 

theoretical and practical aspects of deep representation and generative 

adversarial learning. The special issue will feature a collection of 

high quality theoretical articles for improving the learning process and

 the generalization of generative neural networks. State-of-the-art 

applications based on deep generative adversarial networks are also very

 welcome. Topics of interest for this special issue include, but are not

limited to:     Representation learning methods and theory;     Adversarial representation learning for domain adaptation;     Network interpretability in adversarial learning;     Adversarial feature learning;     RL and GAL for data augmentation and class imbalance;     New GAN models and new GAN learning criteria;     RL and GAL in classification;     Adversarial reinforcement learning;     GANs for noise reduction;     Recurrent GAN models;     GANs for imitation learning;     GANs for image segmentation and image completion;     GANs for image super-resolution;     GANs for speech and audio processing     GANs for object detection;     GANs for Internet of Things;     RL and GANs for image and video synthesis;     RL and GANs for speech and audio synthesis;     RL and GANs for text to audio or text to image synthesis;     RL and GANs for inpainting and sketch to image;     RL and GAL in neural machine translation;     RL and GANs in other application domains.  Important Dates:     30 November 2019 – Submission deadline      28 February 2020 – First decision notification     30 April 2020 – Revised version deadline     30 June 2020 – Final decision notification     September 2020 – Publication (papers available online as soon as accepted).  Guest Editors: Dr Ariel Ruiz-Garcia Coventry University, UK Email: <a href="mailto:ariel.9arcia@gmail.com" target="_blank">ariel.9arcia@gmail.com</a> Professor Jürgen Schmidhuber NNAISENSE, Swiss AI Lab IDSIA, USI & SUPSI, Switzerland Email: <a href="mailto:juergen@idsia.ch" target="_blank">juergen@idsia.ch</a> Professor Vasile Palade Coventry University, UK Email: <a href="mailto:vasile.palade@coventry.ac.uk" target="_blank">vasile.palade@coventry.ac.uk</a> Dr Clive Cheong Took Royal Holloway (University of London), UK Email: <a href="mailto:Clive.CheongTook@rhul.ac.uk" target="_blank">Clive.CheongTook@rhul.ac.uk</a> Professor Danilo Mandic Imperial College London, UK Email: <a href="mailto:d.mandic@imperial.ac.uk" target="_blank">d.mandic@imperial.ac.uk</a> Submission Procedure: Prospective authors should follow the standard author instructions for Neural Networks, and submit manuscripts online at <a href="http://ees.elsevier.com/neunet/" rel="noreferrer" target="_blank">http://ees.elsevier.com/neunet/</a>.

 Authors should select “VSI:RL and GANs” when they reach the “Article 

Type” step and the "Request Editor" step in the submission process.<br><br>For any questions related to the special issue please email Dr Ariel Ruiz-Garcia (<a href="mailto:ariel.9arcia@gmail.com" target="_blank">ariel.9arcia@gmail.com</a>)</div></div>