重访基于贝叶斯最优判别的生成对抗网络
机器学习
2026-05-13 v3 人工智能
信号处理
摘要
我们提出一种替代标准GAN训练方法的方案，其中判别器作为二分类器通过交叉熵来区分真实样本与生成样本。相反，我们直接针对判别贝叶斯错误率 (BER) 进行优化。为此，我们采用最近提出的贝叶斯最优学习阈值 (BOLT) loss，并训练生成器以最大化判别BER的一个代理值。这种观点提供了一种统一的GAN训练视角：不同的目标可解释为描述判别BER平滑性与紧致性之间权衡的分段上界。我们表明，在类别先验平衡的情况下，使用无约束判别器最大化代理BER可最小化数据分布与生成器分布之间的总变差。通过对判别器施加1-Lipschitz约束，所提出的最大化目标定义的偏差上界为Wasserstein-1距离，从而将其与Wasserstein GAN联系起来。在多个图像生成数据集上进行实验，采用匹配的网络结构和优化设置后，采用代理BER训练的GAN在样本质量和覆盖范围上均优于标准基线。该分析表明，所提出的贝叶斯观点能够在训练稳定性和生成器收敛至数据分布之间取得更好的权衡。
引用
@article{arxiv.2510.25609,
title = {Revisiting GAN with Bayes-Optimal Discrimination},
author = {Mohammadreza Tavasoli Naeini and Ali Bereyhi and Morteza Noshad and Ben Liang and Alfred O. Hero},
journal= {arXiv preprint arXiv:2510.25609},
year = {2026}
}