简单梯度惩罚 $\mu$-Wasserstein GAN 的局部稳定性与性能

Cheolhyeong Kim; Seungtae Park; Hyung Ju Hwang

简单梯度惩罚 $\mu$-Wasserstein GAN 的局部稳定性与性能

机器学习 2018-10-08 v1 机器学习

作者: Cheolhyeong Kim , Seungtae Park , Hyung Ju Hwang

摘要

Wasserstein GAN(WGAN) 是一种最小化数据分布与样本分布之间 Wasserstein 距离的模型。近期研究提出了稳定 WGAN 训练过程并实现 Lipschitz 约束的方法。在本研究中，我们在关于平衡点与惩罚测度 $\mu$ 的适当假设下证明了简单梯度惩罚 $\mu$ -WGAN(SGP $\mu$ -WGAN) 优化的局部稳定性。采用测度值微分概念来处理惩罚项的导数，这有助于处理具有低维支撑的抽象奇异测度。基于该分析，我们主张惩罚数据流形或样本流形是用梯度惩罚正则化原始 WGAN 的关键。我们还提供了满足我们假设的违反直觉的惩罚测度的实验结果以支持我们的理论结果。

关键词

Wasserstein GAN 梯度惩罚局部稳定性测度值微分 Lipschitz 约束 SGP $\mu$-WGAN

引用

@article{arxiv.1810.02528,
  title  = {Local Stability and Performance of Simple Gradient Penalty mu-Wasserstein GAN},
  author = {Cheolhyeong Kim and Seungtae Park and Hyung Ju Hwang},
  journal= {arXiv preprint arXiv:1810.02528},
  year   = {2018}
}

备注

21 pages, 39 figures, 2 tables

简单梯度惩罚 $\mu$-Wasserstein GAN 的局部稳定性与性能

摘要

关键词

引用

备注

相关论文