关于 Wasserstein GAN 的一些理论洞察
机器学习
2021-06-21 v2 机器学习
摘要
生成对抗网络（GANs）在图像、视频和文本生成等广泛领域中取得了卓越成果。基于这些成功，大量实证研究验证了所谓 Wasserstein GANs（WGANs）这一同源方法的优势，其带来了训练过程的稳定化。在本文中，我们通过提出 WGANs 性质方面的一些理论进展，为这座大厦再添一砖。首先，我们在由神经网络参数化的积分概率度量的背景下恰当地定义了 WGANs 的架构，并强调了其若干基本数学特征。我们特别强调了由使用参数化 1-Lipschitz 判别器所产生的有趣优化性质。随后，在统计驱动的方法下，我们研究了当样本量趋于无穷时经验 WGANs 的收敛性，并通过揭示一些权衡性质来厘清生成器与判别器之间的对抗效应。这些特征最终通过合成与真实世界数据集上的实验加以说明。
引用
@article{arxiv.2006.02682,
title = {Some Theoretical Insights into Wasserstein GANs},
author = {Gérard Biau and Maxime Sangnier and Ugo Tanielian},
journal= {arXiv preprint arXiv:2006.02682},
year = {2021}
}