条件 GAN 对噪声标签的鲁棒性
机器学习
2018-11-09 v1 人工智能
机器学习
摘要
我们研究从带噪标签样本（标签被随机噪声腐蚀）中学习条件生成器的问题。条件 GAN 的标准训练不仅会产生带错误标签的样本，还会生成质量低劣的样本。根据噪声模型已知与否，我们考虑两种情形。当噪声分布已知时，我们引入一种称为鲁棒条件 GAN（RCGAN）的新架构。其主要思想是在将生成样本的标签送入对抗判别器之前先腐蚀该标签，从而迫使生成器产生带干净标签的样本。这种通过匹配噪声信道的做法，由 RCGAN 损失与干净真实分布和生成器分布之间距离之间的相应乘性近似界所佐证。这表明，当与一种精心选择的称为投影判别器的判别器架构一同使用时，所提方法具有鲁棒性。当噪声分布未知时，我们提供架构的扩展，称为 RCGAN-U，其在训练生成器的同时学习噪声模型。我们在 MNIST 与 CIFAR-10 数据集上的实验表明，两种方法均稳定优于基线方法，且 RCGAN-U 紧密匹配 RCGAN 的性能。
引用
@article{arxiv.1811.03205,
title = {Robustness of Conditional GANs to Noisy Labels},
author = {Kiran Koshy Thekumparampil and Ashish Khetan and Zinan Lin and Sewoong Oh},
journal= {arXiv preprint arXiv:1811.03205},
year = {2018}
}