自适应学习Wasserstein生成对抗网络的潜在空间
机器学习
2024-09-30 v1 人工智能
机器学习
统计方法学
摘要
基于潜在变量的生成模型，如生成对抗网络(GANs)和变分自编码器(VAEs)，由于在众多领域中的卓越性能而受到广泛关注。然而，许多数据（如自然图像）通常不位于基准欧几里得空间，而是驻留在更低维的流形上。因此，不恰当的潜在维数选择会导致无法揭示数据结构，可能导致潜在表示与实际数据之间的不匹配，以及生成质量的差异。为了应对这些问题，我们提出了一种新框架，称为潜在Wasserstein GAN(LWGAN)，将Wasserstein自编码器和Wasserstein GAN融合在一起，使得数据流形的固有维数可以通过修改的信息性潜在分布来自适应学习。我们证明，存在一种编码器网络和生成器网络，使得所学习编码分布的固有维数等于数据流形的维数。我们理论上建立了LWGAN的估计固有维数是数据流形真实维数的一致估计。同时，我们提供了LWGAN概括误差的上界，表明我们迫使合成数据分布与真实数据分布相似，这从总体角度来看。全面的实验验证了我们的框架，表明LWGAN能够在几种情景下识别正确的固有维数，同时通过从所学习的潜在分布中采样生成高质量的合成数据。
关键词
引用
@article{arxiv.2409.18374,
title = {Adaptive Learning of the Latent Space of Wasserstein Generative Adversarial Networks},
author = {Yixuan Qiu and Qingyi Gao and Xiao Wang},
journal= {arXiv preprint arXiv:2409.18374},
year = {2024}
}