推断式 Wasserstein 生成对抗网络

生成对抗网络（GANs）对许多问题和应用产生了重要影响，但存在训练不稳定的缺陷。Wasserstein GAN（WGAN）利用 Wasserstein 距离来避免 GANs 极小极大二人博弈训练中的弊端，但存在其他缺陷，如模式崩溃以及缺乏检测收敛的度量。我们提出了一种新颖的推断式 Wasserstein GAN（iWGAN）模型，这是一个将自编码器与 WGANs 相融合的原则性框架。iWGAN 模型受迭代原始对偶优化过程的启发，联合学习一个编码器网络和一个生成器网络。编码器网络将观测样本映射到潜空间，生成器网络将潜空间中的样本映射回数据空间。我们建立了 iWGAN 的泛化误差界，从理论上证明其性能。我们进一步在极大似然估计框架下给出了模型的严格概率解释。iWGAN 具有明确的停止准则，相较于其他自编码器 GANs 具有诸多优势。实证实验表明，iWGAN 大幅缓解了模式崩溃现象，加速了收敛，并能够对每个单独样本提供质量检查的度量。我们通过在基准数据集上获得具有竞争力且稳定的性能，展示了 iWGAN 的能力。