生成对抗网络评估指标的实证研究
机器学习
2018-08-20 v2 计算机视觉与模式识别
机器学习
摘要
评估生成对抗网络（GANs） inherently 具有挑战性。本文中，我们重访几种代表性的基于样本的GAN评估指标，并解决如何评估这些评估指标的问题。我们从指标产生有意义分数所需具备的几项必要条件入手，例如区分真实样本与生成样本、识别模式丢失与模式坍塌、以及检测过拟合。通过一系列精心设计的实验，我们全面研究了现有的基于样本的指标，并明确了它们在实际设置中的优势与局限。基于这些结果，我们观察到核最大均值差异（MMD）与1-最近邻（1-NN）双样本检验似乎满足大多数期望性质，前提是样本间距离在合适的特征空间中计算。我们的实验还揭示了几种流行GAN模型的有趣性质，例如它们是否记忆训练样本，以及它们距离学习目标分布有多远。
引用
@article{arxiv.1806.07755,
title = {An empirical study on evaluation metrics of generative adversarial networks},
author = {Qiantong Xu and Gao Huang and Yang Yuan and Chuan Guo and Yu Sun and Felix Wu and Kilian Weinberger},
journal= {arXiv preprint arXiv:1806.07755},
year = {2018}
}
备注
arXiv admin note: text overlap with arXiv:1802.03446 by other authors