一种非对抗的幂等生成建模方法
机器学习
2025-11-05 v1
摘要
幂等生成网络(IGNs)是深度生成模型,同时作为局部数据流形投影器,将任意输入映射回流形。它们被训练为在数据上充当恒等算子,在数据流形外充当幂等算子。然而,IGNs存在模式崩溃、模式丢失和训练不稳定性问题,因为其目标函数包含对抗性组件,可能导致模型仅部分覆盖数据流形——这是生成对抗网络共有的问题。我们引入非对抗幂等生成网络(NAIGNs)来解决这些问题。我们的损失函数将重建与隐式最大似然估计(IMLE)的非对抗生成目标相结合。这改进了IGN恢复受损数据和生成与数据分布高度匹配的新样本的能力。此外,我们证明NAIGNs隐式学习了到数据流形的距离场以及一个基于能量的模型。
引用
@article{arxiv.2511.02614,
title = {A Non-Adversarial Approach to Idempotent Generative Modelling},
author = {Mohammed Al-Jaff and Giovanni Luca Marchetti and Michael C Welle and Jens Lundell and Mats G. Gustafsson and Gustav Eje Henter and Hossein Azizpour and Danica Kragic},
journal= {arXiv preprint arXiv:2511.02614},
year = {2025}
}