从判别器视角看 GAN 的泛化误差
机器学习
2026-02-18 v2 机器学习
摘要
生成对抗网络（GAN）是学习高维分布的著名模型，但其泛化能力的机制尚不清楚。特别地，GAN 易受记忆现象的影响，即最终收敛到经验分布。我们考虑一个简化的 GAN 模型，将生成器替换为密度，并分析判别器如何促进泛化。我们表明，通过早停，由 Wasserstein 度量衡量的泛化误差可规避维数灾难，尽管从长远来看记忆不可避免。此外，我们给出了 WGAN 学习困难性的结果。
引用
@article{arxiv.2107.03633,
title = {Generalization Error of GAN from the Discriminator's Perspective},
author = {Hongkang Yang and Weinan E},
journal= {arXiv preprint arXiv:2107.03633},
year = {2026}
}