提升生成对抗网络的泛化性与稳定性
机器学习
2019-02-12 v1 人工智能
机器学习
摘要
生成对抗网络(GANs)是学习复杂高维分布最流行的工具之一。然而，GANs 的泛化性质尚未被很好理解。本文分析了实际设定下 GANs 的泛化性。我们表明，使用原始 GAN 损失在离散数据集上训练的判别器泛化能力较差，且不能逼近理论最优判别器。我们提出一种零中心梯度惩罚，通过将判别器推向最优判别器来改善其泛化性。该惩罚保证了 GANs 的泛化与收敛。在合成与大规模数据集上的实验验证了我们的理论分析。
引用
@article{arxiv.1902.03984,
title = {Improving Generalization and Stability of Generative Adversarial Networks},
author = {Hoang Thanh-Tung and Truyen Tran and Svetha Venkatesh},
journal= {arXiv preprint arXiv:1902.03984},
year = {2019}
}
备注
ICLR 2019