通过部分随机性桥接GAN与贝叶斯神经网络
机器学习
2026-02-03 v2 计算机视觉与模式识别
机器学习
摘要
生成对抗网络（Generative Adversarial Networks, GANs）是流行且成功的生成模型。 尽管取得了成功， 但优化颇具挑战性。 本文通过将GAN 作为具有部分随机性的贝叶斯神经网络来阐释其成功与局限性。 这种解释使我们能够建立普遍逼近条件， 并将几个GAN变体的对抗式优化重新表述为通过对随机变量进行边际化得到的似然代理的优化。 在此解释下， 正则化需求显而易见， 我们提出采用平滑损失景观的方法以及寻找具有最小描述长度（minimum description length）的解的策略， 这些解与平坦最小值和良好泛化相关。 在广泛的实验中表明， 这些策略导致性能提升， 为更深入地理解GAN之路。
引用
@article{arxiv.2507.00651,
title = {Bridging GANs and Bayesian Neural Networks via Partial Stochasticity},
author = {Maurizio Filippone and Marius P. Linhard},
journal= {arXiv preprint arXiv:2507.00651},
year = {2026}
}