学习不连通流形：无 GAN 之地
机器学习
2020-12-11 v3 机器学习
摘要
生成对抗网络（GAN）的典型架构利用由连续生成器变换的单峰潜分布。因此，所建模型分布的支持集总是连通的，这在学习不连通流形集合时颇为棘手。我们通过建立不连通流形学习的无免费午餐定理来形式化此问题，给出目标分布精度的上界。这是基于必然存在低质量区域，生成器在该区域于两个不连通模式间连续采样数据。最后，我们推导出一种基于生成器雅可比范数的拒绝采样方法，并在包括 BigGAN 在内的若干生成器上展示了其有效性。
引用
@article{arxiv.2006.04596,
title = {Learning disconnected manifolds: a no GANs land},
author = {Ugo Tanielian and Thibaut Issenhuth and Elvis Dohmatob and Jeremie Mary},
journal= {arXiv preprint arXiv:2006.04596},
year = {2020}
}
备注
24 pages