估计无监督图像到图像翻译的成功率
机器学习
2018-03-23 v2
摘要
在有监督学习中，验证误差是泛化（测试）误差的无偏估计且基于复杂度的泛化界 abundant，但对于以无监督方式学习映射不存在这样的界。因此，在训练GAN时，特别是在完全无监督地使用GAN学习域间映射时，人们被迫通过主观检查多个选项来选择超参数和停止轮次。我们提出了一种用于预测无监督跨域映射方法成功的新界，其动机是最近提出的简洁性原理（Simplicity Principle）。该界既可用于期望中，以比较超参数和选择停止准则，也可用于每个样本，以预测特定跨域翻译的成功。该界的效用在采用多种近期算法的广泛实验集中得到展示。我们的代码可在 https://github.com/sagiebenaim/gan_bound 获取。
引用
@article{arxiv.1712.07886,
title = {Estimating the Success of Unsupervised Image to Image Translation},
author = {Sagie Benaim and Tomer Galanti and Lior Wolf},
journal= {arXiv preprint arXiv:1712.07886},
year = {2018}
}
备注
The first and second authors contributed equally