跨 GAN 审计：预训练生成模型间属性级相似与差异的无监督识别
机器学习
2023-05-03 v2 计算机视觉与模式识别
摘要
生成对抗网络（GANs）以难以训练著称，尤其在复杂分布和有限数据下。这催生了以人类可理解格式审计已训练网络工具的需求，例如识别偏差或确保公平性。现有 GAN 审计工具局限于基于 FID 或召回率等汇总统计的粗粒度模型-数据比较。本文中，我们提出一种替代方法，将新开发的 GAN 与先前的基线进行比较。为此，我们引入跨 GAN 审计（xGA），其在给定一个既有的“参考”GAN 和一个新提出的“客户端”GAN 时，联合识别两者共有、客户端 GAN 独有或客户端 GAN 缺失的可理解属性。这为使用者和模型开发者提供了对 GAN 间相似与差异的直观评估。我们引入新度量来评估基于属性的 GAN 审计方法，并用这些度量定量证明 xGA 优于基线方法。我们也包含定性结果，展示了 xGA 从多种图像数据集训练的 GAN 中识别出的共有、新颖及缺失属性。
引用
@article{arxiv.2303.10774,
title = {Cross-GAN Auditing: Unsupervised Identification of Attribute Level Similarities and Differences between Pretrained Generative Models},
author = {Matthew L. Olson and Shusen Liu and Rushil Anirudh and Jayaraman J. Thiagarajan and Peer-Timo Bremer and Weng-Keen Wong},
journal= {arXiv preprint arXiv:2303.10774},
year = {2023}
}
备注
CVPR 2023. Source code is available at https://github.com/mattolson93/cross_gan_auditing