基于贝叶斯框架的高效且多样的生成对抗网络：BI-DCGAN
机器学习
2025-11-03 v1 人工智能
摘要
生成对抗网络（GANs）在生成合成数据方面表现出色，但仍然存在模式坍缩问题，即生成器仅产生一窄范围的输出，以欺骗判别器，但未能捕捉完整的数据分布。这一限制在于生成模型日益用于需要同时满足多样性和不确定性感知的实际应用中。为此，我们引入 BI-DCGAN，这是一种对 DCGAN 的贝叶斯扩展，融入模型不确定性以保持生成过程的高效性。BI-DCGAN 集成了 Bayes by Backprop 来学习网络权重的分布，并运用均值场变分推断在 GAN 训练期间高效地近似后验分布。我们基于协方差矩阵分析建立了首个理论证明，表明贝叶斯建模可增强 GAN 中的样本多样性。我们通过在标准生成基准上的大量实验验证了这一理论结果，证明 BI-DCGAN 比传统 DCGAN 产生更具多样性和鲁棒性的输出，同时保持训练效率。这些发现将 BI-DCGAN 定位为一个可扩展且紧迫的解决方案，适用于需要同时满足多样性和不确定性的应用场景，而现代替代方案如扩散模型则资源消耗过高。
引用
@article{arxiv.2510.26892,
title = {BI-DCGAN: A Theoretically Grounded Bayesian Framework for Efficient and Diverse GANs},
author = {Mahsa Valizadeh and Rui Tuo and James Caverlee},
journal= {arXiv preprint arXiv:2510.26892},
year = {2025}
}