生成对抗网络中真实与生成数据统计量的概率匹配
机器学习
2024-09-09 v3 机器学习
摘要
生成对抗网络构成了一种强大的生成建模方法。尽管生成样本常可与真实数据难以区分，但无法保证其遵循真实数据分布。尤其对于科学应用，生成分布良好捕捉真实分布至关重要。本工作中，我们提出一种方法，确保某些生成数据统计量的分布与真实数据的相应分布一致。为此，我们在生成器损失函数中加入新的损失项，通过合适的f-散度量化这些分布间的差异。采用核密度估计获取真实分布的表示，并在每次迭代中根据小批量值估计相应的生成分布。与其他方法相比，我们的方法优势在于考虑了分布的完整形状。我们在合成数据集与真实世界数据集上评估该方法，并展示了其改进的性能。
引用
@article{arxiv.2306.10943,
title = {Probabilistic Matching of Real and Generated Data Statistics in Generative Adversarial Networks},
author = {Philipp Pilar and Niklas Wahlström},
journal= {arXiv preprint arXiv:2306.10943},
year = {2024}
}