通过 Smirnov 变换提升生成模型质量

解决生成对抗网络(GANs)的收敛问题是生成模型中最突出的问题之一。在本工作中,我们提出一种新颖的激活函数,用作生成器智能体的输出。该激活函数基于 Smirnov 概率变换,专门设计用于提升生成数据的质量。与以往工作截然不同,我们的激活函数提供了更通用的方法,不仅处理类别变量的复现,还处理任意类型的数据分布(连续或离散)。此外,我们的激活函数可求导,因此可无缝集成于 GAN 训练过程中的反向传播计算。为验证该方法,我们在两个不同数据集上评估了我们的方案:a) 一个人工渲染的包含离散与连续变量混合的数据集,以及 b) 一个包含正常连接与加密挖矿攻击的基于流的真实网络流量数据集。为评估生成数据的保真度,我们从统计性质的质量度量结果以及将这些合成数据用于馈送嵌套机器学习分类器两方面进行分析。实验结果清楚表明,调以该新激活函数的 GAN 网络相对于朴素基于均值的生成器与标准 GAN 均具有明显优势。数据质量极高,以致生成数据可完全替代真实数据训练嵌套分类器而不降低所得准确率。该结果鼓励使用 GAN 生成高质量合成数据,适用于必须保证数据隐私的场景。