改进的用于 GAN 条件化的输入重编程方法
机器学习
2022-02-08 v3 人工智能
摘要
我们研究 GAN 条件化问题，其目标是利用带标签数据将预训练的无条件 GAN 转换为条件 GAN。我们首先识别并分析了该问题的三种方法——从头训练条件 GAN、微调以及输入重编程。我们的分析表明，当带标签数据量较小时，输入重编程表现最佳。受现实世界中带标签数据稀缺场景的启发，我们聚焦于输入重编程方法并仔细分析了现有算法。在识别出先前输入重编程方法的若干关键问题后，我们提出了一种称为 InRep+ 的新算法。我们的 InRep+ 算法通过创新地使用可逆神经网络与正-无标签（Positive-Unlabeled, PU）学习解决了现有问题。通过大量实验，我们表明 InRep+ 优于所有现有方法，尤其在标签信息稀缺、有噪声和/或不平衡时。例如，对于使用 1% 带标签数据对 CIFAR10 GAN 进行条件化的任务，InRep+ 取得了 76.24 的平均 Intra-FID，而次优方法为 114.51。
引用
@article{arxiv.2201.02692,
title = {Improved Input Reprogramming for GAN Conditioning},
author = {Tuan Dinh and Daewon Seo and Zhixu Du and Liang Shang and Kangwook Lee},
journal= {arXiv preprint arXiv:2201.02692},
year = {2022}
}
备注
24 pages, 7 figures