通过边界校准提升生成对抗网络的模型兼容性
机器学习
2021-11-04 v1
摘要
生成对抗网络（GANs）是一类强大的模型，可学习底层分布以生成合成数据。许多现有的 GANs 研究侧重于改善生成图像数据的真实感以用于视觉应用，其中很少关注于提升生成数据用于训练其他分类器的质量——这一任务被称为模型兼容性问题。因此，现有 GANs 通常倾向于生成远离分类器边界的“更容易”的合成数据，而避免生成已知在训练分类器中起重要作用的近边界数据。为了在模型兼容性方面改进 GAN，我们提出了边界校准 GANs（BCGANs），其利用来自使用原始数据预训练的一组分类器的边界信息。特别地，我们在 GAN 的生成器中引入一个辅助的边界校准损失（BC-loss），以匹配原始数据与生成数据关于预训练分类器边界的后验分布之间的统计量。BC-loss 被证明是无偏的，并且可以容易地与不同的 GAN 变体结合以提升其模型兼容性。实验结果表明，BCGANs 不仅像原始 GANs 一样生成逼真图像，而且实现了优于原始 GANs 的模型兼容性。
引用
@article{arxiv.2111.02316,
title = {Improving Model Compatibility of Generative Adversarial Networks by Boundary Calibration},
author = {Si-An Chen and Chun-Liang Li and Hsuan-Tien Lin},
journal= {arXiv preprint arXiv:2111.02316},
year = {2021}
}
备注
NeurIPS 2021 Workshop on Deep Generative Models and Downstream Applications