基于粒子的距离 GAN 在 Wasserstein 梯度流下的稳定性分析框架
机器学习
2023-07-10 v2
摘要
在本文中，我们研究以一类称为基于粒子的距离的概率密度距离为目标函数的生成网络的训练过程，例如 MMD GAN、Cramér GAN、EIEG GAN。然而，这些 GAN 常遭受训练不稳定的问题。本文从概率密度动力学的视角分析这些 GAN 训练过程的稳定性。在我们的框架中，我们将这些 GAN 中的判别器 视为一个特征变换映射，将高维数据映射到特征空间，而生成器 将随机变量映射为在特征空间上类似于真实数据的样本。这一视角使我们能够利用概率密度函数的 Wasserstein 梯度流对 GAN 的训练进行稳定性分析。我们发现，由于 GAN 中 的形式，判别器的训练过程通常不稳定。为解决此问题，我们在判别器损失函数中加入了一个稳定项。我们进行实验以验证我们的稳定性分析与稳定方法。
引用
@article{arxiv.2307.01879,
title = {Stability Analysis Framework for Particle-based Distance GANs with Wasserstein Gradient Flow},
author = {Chuqi Chen and Yue Wu and Yang Xiang},
journal= {arXiv preprint arXiv:2307.01879},
year = {2023}
}