重新思考生成对抗网络的多维判别器输出
机器学习
2022-07-15 v3 机器学习
摘要
生成对抗网络（GAN）中多维判别器（评判器）输出的研究在文献中尚未得到充分探索。本文推广 Wasserstein GAN 框架以利用多维评判器输出并探究其性质。我们还引入了平方根速度变换（SRVT）模块，有利于在多维设定下训练。性质证明基于我们提出的最大 p-中心差异，该差异被 p-Wasserstein 距离从上界住，并适配带有 n 维评判器输出的 Wasserstein GAN 框架。特别地，当 n = 1 且 p = 1 时，所提差异等于 1-Wasserstein 距离。理论分析与经验证据表明，高维评判器输出在区分真实与生成分布方面具有优势，并有益于更快的收敛与结果的多样性。
引用
@article{arxiv.2109.03378,
title = {Rethinking Multidimensional Discriminator Output for Generative Adversarial Networks},
author = {Mengyu Dai and Haibin Hang and Anuj Srivastava},
journal= {arXiv preprint arXiv:2109.03378},
year = {2022}
}
备注
Frontiers in Adversarial Machine Learning ICML 2022