PQMass: 基于概率质量估计的生成模型质量概率评估
机器学习
2025-09-11 v3 人工智能
机器学习
统计方法学
摘要
我们提出了一种无需似然的方法,用于在给定来自两个分布的样本时对这两个分布进行比较,旨在评估生成模型的质量。所提出的方法 PQMass 提供了一种统计上严谨的方法,用于评估单个生成模型的性能或比较多个竞争模型。PQMass 将样本空间划分为不重叠的区域,并对落入每个区域的数据样本数量应用卡方检验,给出一个 p 值,该 p 值衡量由两组样本得出的区间计数来自同一多项式分布的概率。PQMass 既不依赖于关于真实分布密度的假设,也不需要训练或拟合任何辅助模型。我们在不同模态和维度的数据上评估了 PQMass,证明了其在评估生成样本的质量、新颖性和多样性方面的有效性。我们进一步表明,PQMass 能很好地扩展到中等高维数据,从而在实际应用中免去了特征提取的需要。
引用
@article{arxiv.2402.04355,
title = {PQMass: Probabilistic Assessment of the Quality of Generative Models using Probability Mass Estimation},
author = {Pablo Lemos and Sammy Sharief and Nikolay Malkin and Salma Salhi and Connor Stone and Laurence Perreault-Levasseur and Yashar Hezaveh},
journal= {arXiv preprint arXiv:2402.04355},
year = {2025}
}
备注
Published as a conference paper at ICLR 2025