一种用于监控和评估 GAN 的域不可知度量
机器学习
2020-07-16 v2 机器学习
摘要
生成对抗网络（GANs）在建模复杂分布方面已展现出显著成果，但其评估仍是一个未解决的问题。评估对于以下两方面至关重要：(i) 不同模型的相对评估；(ii) 监控单个模型在整个训练过程中的进展。后者不能仅通过检查生成器和判别器损失曲线来确定，因为它们的行为不符合直觉。我们利用博弈论中的对偶间隙概念提出一种度量，以较低计算成本解决 (i) 和 (ii)。大量实验表明，该度量在排序不同 GAN 模型以及捕捉典型 GAN 失败场景（包括模式崩溃和非收敛行为）方面是有效的。该评估指标还对训练期间损失的进展提供有意义的监控。它与自然图像数据集上的 FID 高度相关，并与文本、声音和宇宙学数据中 FID 不直接适用的领域特定分数相关。特别地，我们提出的度量不需要标签或预训练分类器，使其成为域不可知的。
引用
@article{arxiv.1811.05512,
title = {A domain agnostic measure for monitoring and evaluating GANs},
author = {Paulina Grnarova and Kfir Y Levy and Aurelien Lucchi and Nathanael Perraudin and Ian Goodfellow and Thomas Hofmann and Andreas Krause},
journal= {arXiv preprint arXiv:1811.05512},
year = {2020}
}