一种考虑深度生成神经网络生成边界的高效探索性采样方法
机器学习
2019-12-13 v1 机器学习
摘要
深度生成神经网络（DGNNs）已实现逼真且高质量的数据生成。特别是，对抗训练方案已被应用于许多 DGNNs，并展现出强大的性能。尽管生成网络近期取得进展，识别图像生成机制仍具挑战性。本文提出一种探索性采样算法，用于分析 DGNNs 的生成机制。我们的方法从已训练模型的视角，高效地从查询图像中获取具有相同属性的样本。我们定义决定内部层节点激活的生成边界，并利用该信息在模型内部进行探测。为处理大量边界，我们通过优化获得边界的本质集合。通过收集生成边界所包围区域内的样本，我们可凭经验揭示 DGNNs 内部层的特性。我们还证明，与基于 的采样方法的变体相比，我们的算法能找到更同质、更具模型特异性的样本。
引用
@article{arxiv.1912.05827,
title = {An Efficient Explorative Sampling Considering the Generative Boundaries of Deep Generative Neural Networks},
author = {Giyoung Jeon and Haedong Jeong and Jaesik Choi},
journal= {arXiv preprint arXiv:1912.05827},
year = {2019}
}
备注
AAAI 2020