生成模型的可证明 Lipschitz 认证
机器学习
2021-07-07 v1 机器学习
摘要
我们提出了一种用于上界约束生成模型 Lipschitz 常数的可扩展技术。我们将该量与给定生成模型的可达向量-雅可比乘积集合上的最大范数相关联。我们使用 zonotope 通过逐层凸近似来近似该集合。我们的方法推广并改进了先前使用 zonotope transformer 的工作，并扩展到具有大输出维度的神经网络的 Lipschitz 估计。这为小网络提供了高效且紧的界，并可扩展到 VAE 和 DCGAN 架构上的生成模型。
引用
@article{arxiv.2107.02732,
title = {Provable Lipschitz Certification for Generative Models},
author = {Matt Jordan and Alexandros G. Dimakis},
journal= {arXiv preprint arXiv:2107.02732},
year = {2021}
}
备注
Accepted into ICML 2021