通过可调损失函数实现GAN

Gowtham R. Kurri; Tyler Sypherd; Lalitha Sankar

通过可调损失函数实现GAN

机器学习 2021-10-19 v2 信息论 math.IT 机器学习

作者: Gowtham R. Kurri , Tyler Sypherd , Lalitha Sankar

摘要

我们引入一种可调GAN，称为 $\alpha$ -GAN，由参数 $\alpha \in (0,\infty]$ 参数化，其在各种 $f$ -GANs与基于积分概率度量(Integral Probability Metric)的GANs(在受限判别器集合下)之间进行插值。我们使用一种监督损失函数，即 $\alpha$ -损失(一种捕捉若干典型损失的可调损失函数)来构建 $\alpha$ -GAN。我们表明 $\alpha$ -GAN与Arimoto散度密切相关，该散度最初由Österriecher(1996)提出，后来由Liese和Vajda(2006)研究。我们还研究了 $\alpha$ -GAN的收敛性质。我们假定 $\alpha$ -GAN所带来的整体理解将在解决梯度消失与模式崩溃问题上具有实际益处。

关键词

生成对抗网络 $\alpha$-GAN 可调损失函数 Arimoto散度 $f$-GANs 模式崩溃梯度消失

引用

@article{arxiv.2106.05232,
  title  = {Realizing GANs via a Tunable Loss Function},
  author = {Gowtham R. Kurri and Tyler Sypherd and Lalitha Sankar},
  journal= {arXiv preprint arXiv:2106.05232},
  year   = {2021}
}

备注

Extended version of a paper accepted to ITW 2021. 8 pages, 2 figures

通过可调损失函数实现GAN

摘要

关键词

引用

备注

相关论文