利用 Wasserstein 生成对抗网络逼近概率分布
机器学习
2023-07-03 v4 机器学习
摘要
本文研究以 GroupSort 神经网络作为判别器的 Wasserstein 生成对抗网络（WGANs）。结果表明，目标分布逼近的误差界依赖于生成器与判别器的宽度和深度（容量）以及训练样本数。我们建立了生成分布与目标分布之间 Wasserstein 距离的定量化泛化界。根据理论结果，WGANs 对判别器容量的要求高于生成器，这与一些已有结果一致。更重要的是，若判别器强度不足，使用过深过宽（高容量）生成器的结果可能逊于低容量生成器。使用 Swiss roll 与 MNIST 数据集得到的数值结果证实了理论结果。
引用
@article{arxiv.2103.10060,
title = {Approximating Probability Distributions by using Wasserstein Generative Adversarial Networks},
author = {Yihang Gao and Michael K. Ng and Mingjie Zhou},
journal= {arXiv preprint arXiv:2103.10060},
year = {2023}
}
备注
Accepted by SIAM Journal on Mathematics of Data Science (SIMODS)