PT-MMD：一种用于生成系统评估的新统计框架
机器学习
2019-10-29 v1 图像与视频处理
机器学习
摘要
基于随机采样的生成神经网络，如受限玻尔兹曼机和生成对抗网络，现被用于去噪、图像遮挡去除、模式补全和运动合成等应用。在使用这些模型执行此类推断任务的场景中，确定能够在预先指定的实现约束下用于模型选择和/或维持所需生成性能的度量指标至关重要。在本文中，我们提出了一种基于最大均值差异（Maximum Mean Discrepancy, MMD）与基于置换（PT-based）重采样的联合使用所导出的 值来评估生成模型性能的新度量，我们称之为 PT-MMD。我们展示了该度量在两种情况下的有效性：（1）为受限玻尔兹曼机选择位宽和激活函数复杂度以在性能下实现最小功耗；（2）对两类生成对抗网络（PGAN 和 WGAN）生成的图像进行定量比较，以促进模型选择从而最大化生成图像的保真度。对于这些应用，我们的结果使用欧氏核与基于 Haar 的核进行 PT-MMD 双样本假设检验。这展示了距离函数在将生成图像与对应真实图像进行比较时的关键作用，正如人类用户所感知的那样。
引用
@article{arxiv.1910.12454,
title = {PT-MMD: A Novel Statistical Framework for the Evaluation of Generative Systems},
author = {Alexander Potapov and Ian Colbert and Ken Kreutz-Delgado and Alexander Cloninger and Srinjoy Das},
journal= {arXiv preprint arXiv:1910.12454},
year = {2019}
}
备注
Will be presented at the Asilomar Conference on Signals, Systems, and Computers