具有隐分布学习的最优传输 GAN 的泛化性质
机器学习
2020-07-30 v1 机器学习
摘要
生成对抗网络（GAN）框架是用于概率匹配与逼真样本生成的成熟范式。尽管近期已有研究关注此类模型的理论性质，但对主要构成模块的全面理论理解仍然缺失。聚焦于以最优传输度量为判别器的生成模型，本文从统计与建模两个角度研究了隐分布与推前映射（生成器）的复杂度之间的相互作用如何影响性能。受我们分析启发，我们主张在 GAN 范式内同时学习隐分布与推前映射。我们证明这能在样本复杂度方面带来显著优势。
引用
@article{arxiv.2007.14641,
title = {Generalization Properties of Optimal Transport GANs with Latent Distribution Learning},
author = {Giulia Luise and Massimiliano Pontil and Carlo Ciliberto},
journal= {arXiv preprint arXiv:2007.14641},
year = {2020}
}
备注
34 pages, 6 figures