CycleGAN 的理论见解：分析无配对数据生成中的近似误差与估计误差

本文聚焦于分析无配对数据生成模型CycleGAN的剩余风险。与经典GAN不同，CycleGAN不仅在两个无配对分布之间转换数据，还确保映射一致，这由CycleGAN特有的循环一致性项所鼓励。模型结构日益复杂以及CycleGAN中添加的循环一致性项为误差分析带来了新挑战。通过考虑模型架构和训练程序的影响，将风险分解为两个术语：近似误差和估计误差。我们分别独立分析这两个误差项，并通过考虑它们之间的权衡将其最终组合。每个组成部分都经过严格分析；通过构建最优传输图的近似来分析近似误差，通过使用 Rademacher 复杂度建立上界来分析估计误差。我们的分析不仅分离了这些误差，也探索了它们之间的权衡，这为CycleGAN的架构和训练程序如何影响其性能提供了理论见解。