GAN 的组合与分解

在这项工作中，我们提出了一个组合/分解框架，用于在组合数据上对抗式训练生成模型——即每个样本可被视为由固定数量的组件构成的数据。在我们的框架中，样本通过从组件生成器采样组件并将这些组件输入到一个将它们组合为“组合样本”的组合函数来生成。这种组合训练方法提升了生成对抗网络（GANs）的模块化、可扩展性和可解释性——提供了一种从更简单的组件模型逐步构建复杂模型的原则性方法，并允许这些组件之间明确的“责任划分”。利用该框架，我们定义了一系列学习任务，并在两种不同数据模态（图像和文本）的两个数据集上评估了其可行性。最后，我们推导了此类组合生成模型可识别的充分条件。我们的工作为在预训练生成模型上构建或利用数据分布的组合性质来训练可扩展且可解释的模型提供了原则性方法。