具有稳定性保证的核引导隐式生成模型训练
机器学习
2019-11-05 v2 机器学习
动力系统
摘要
现代隐式生成模型（如生成对抗网络（GAN））通常被认为存在不稳定性、不可解释性以及难以评估性能等问题。若将这些隐式模型视为动力系统，其中部分问题源于无法在训练过程中以有意义的方式控制其行为。在本工作中，我们提出一种有理论依据的方法，通过用基于核的正则化项增广 GAN 损失函数来引导 GAN 的训练轨迹，该正则化项控制模型与真实分布之间的局部和全局差异。这一控制信号使我们能够将先验知识注入模型。我们给出了所得动力系统稳定性的理论保证，并通过广泛的实验展示了其不同方面。
引用
@article{arxiv.1910.14428,
title = {Kernel-Guided Training of Implicit Generative Models with Stability Guarantees},
author = {Arash Mehrjou and Wittawat Jitkrittum and Krikamol Muandet and Bernhard Schölkopf},
journal= {arXiv preprint arXiv:1910.14428},
year = {2019}
}
备注
There was a misunderstanding in how an article should be updated on arXiv. We have withdrawn this article from this link. The same article can be found at arXiv:1901.09206