关于生成模型中 Wasserstein 距离的估计
机器学习
2019-10-03 v1 机器学习
摘要
生成对抗网络（GANs）已被用于建模基于样本的数据集的底层概率分布。GANs 以训练困难及依赖于任意超参数而著称。GAN 文献中近期的改进之一是使用 Wasserstein 距离作为损失函数，从而产生了 Wasserstein 生成对抗网络（WGANs）。以此为基础，我们展示了为生成建模任务估计 Wasserstein 距离的各种方式。此外，训练此类模型的诀窍在本文末尾给出并总结。在适用处，我们将当前工作扩展到不同算法、不同代价函数和不同正则化方案，以改进生成模型。
引用
@article{arxiv.1910.00888,
title = {On the estimation of the Wasserstein distance in generative models},
author = {Thomas Pinetz and Daniel Soukup and Thomas Pock},
journal= {arXiv preprint arXiv:1910.00888},
year = {2019}
}
备注
Accepted and presented at GCPR 2019 (http://gcpr2019.tu-dortmund.de/)