在显式参数化分布上评估生成对抗网络
机器学习
2018-12-31 v1 机器学习
摘要
常用图像数据集的真实分布参数化方式难以获取。我们不去为特性未知的特征空间设计度量指标，而是提出通过在显式参数化的人工合成数据分布上评估来度量 GAN 的性能。作为一个案例研究，我们考察了 16 种 GAN 变体在六个不同维度和训练集规模的多变量分布上的表现。在该学习环境中，我们观察到：GAN 在不同维度上表现出相似的性能趋势；学习效果取决于底层分布及其复杂度；训练样本数量可能对性能产生很大影响；评估与相对比较依赖于所采用的度量指标；多样化的超参数组合都能产生“最佳”结果；并且某些 GAN 相比其他 GAN 对超参数变化更具鲁棒性。这些观察既印证了先前 GAN 评估研究的发现，又在规模、复杂度与 GAN 性能之间的关系方面做出了新的贡献。
引用
@article{arxiv.1812.10782,
title = {Evaluating Generative Adversarial Networks on Explicitly Parameterized Distributions},
author = {Shayne O'Brien and Matt Groh and Abhimanyu Dubey},
journal= {arXiv preprint arXiv:1812.10782},
year = {2018}
}
备注
Presented at the NeurIPS 2018 Workshop on Critiquing and Correcting Trends in Machine Learning