用于可解释二分类的距离引导生成对抗网络
计算机视觉与模式识别
2024-01-01 v1 机器学习
图像与视频处理
摘要
尽管数据增强在缓解数据不足方面具有潜在优势，但传统增强方法主要依赖于先验的域内知识。另一方面，先进的生成对抗网络（GANs）生成的域间样本多样性有限。这些先前的方法在描述二分类决策边界方面贡献有限。在本文中，我们提出了一种距离引导 GAN（DisGAN），用于控制超平面空间中生成样本的变化程度。具体而言，我们通过结合两种方式实例化了 DisGAN 的思想。第一种方式是垂直距离 GAN（VerDisGAN），其中域间生成以垂直距离为条件。第二种方式是水平距离 GAN（HorDisGAN），其中域内生成以水平距离为条件。此外，VerDisGAN 可以通过将源图像映射到超平面来产生特定于类的区域。实验结果表明，DisGAN 在可解释二分类任务中始终优于基于 GAN 的增强方法。所提出的方法可应用于不同的分类架构，并具有扩展到多类分类的潜力。
引用
@article{arxiv.2312.17538,
title = {Distance Guided Generative Adversarial Network for Explainable Binary Classifications},
author = {Xiangyu Xiong and Yue Sun and Xiaohong Liu and Wei Ke and Chan-Tong Lam and Jiangang Chen and Mingfeng Jiang and Mingwei Wang and Hui Xie and Tong Tong and Qinquan Gao and Hao Chen and Tao Tan},
journal= {arXiv preprint arXiv:2312.17538},
year = {2024}
}
备注
12 pages, 8 figures. This work has been submitted to the IEEE TNNLS for possible publication. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media