对抗生成模型的 PAC-贝叶斯泛化界
机器学习
2023-11-15 v4 人工智能
机器学习
摘要
我们将 PAC-贝叶斯理论扩展到生成模型，并为基于 Wasserstein 距离和全变差距离的模型推导了泛化界。我们关于 Wasserstein 距离的第一个结果假设实例空间是有界的，而第二个结果利用了降维。我们的结果自然地适用于 Wasserstein GAN 和基于能量的 GAN，并且我们的界为这两者提供了新的训练目标。尽管我们的工作主要是理论性的，但我们进行了数值实验，展示了在合成数据集上 Wasserstein GAN 的非空泛化界。
引用
@article{arxiv.2302.08942,
title = {PAC-Bayesian Generalization Bounds for Adversarial Generative Models},
author = {Sokhna Diarra Mbacke and Florence Clerc and Pascal Germain},
journal= {arXiv preprint arXiv:2302.08942},
year = {2023}
}
备注
Published at ICML 2023