在修正的 Wasserstein 距离中使用高阶矩的对抗网络训练
机器学习
2022-10-10 v1 机器学习
摘要
生成对抗网络（GANs）已被用于生成与示例数据高度相似的数据，其压缩的潜空间接近于在原始向量空间中重建所需的充分空间。Wasserstein 度量已被用作二分类交叉熵的替代，产生数值更稳定且模式覆盖行为更强的 GANs。本文推导了 Wasserstein 距离的推广形式，其使用了高于均值的高阶矩。研究表明，即便在针对略高计算成本进行调整后，使用此高阶 Wasserstein 度量训练 GAN 仍展现出更优性能。这通过生成合成抗体序列得以说明。
引用
@article{arxiv.2210.03354,
title = {Adversarial network training using higher-order moments in a modified Wasserstein distance},
author = {Oliver Serang},
journal= {arXiv preprint arXiv:2210.03354},
year = {2022}
}