Wasserstein GAN 之所以有效，是因为它们未能（近似 Wasserstein 距离）
机器学习
2021-10-06 v4 机器学习
摘要
Wasserstein GAN 基于最小化真实分布与生成分布之间 Wasserstein 距离的思想。我们提供了对 Wasserstein GAN 训练的理论设定与现实之间差异的深入数学分析。本工作中，我们收集了理论与经验证据，表明 WGAN 损失并非 Wasserstein 距离的有意义近似。此外，我们认为 Wasserstein 距离甚至不是深度生成模型的合意损失函数，并得出结论：Wasserstein GAN 的成功实际上可归因于其未能近似 Wasserstein 距离。
引用
@article{arxiv.2103.01678,
title = {Wasserstein GANs Work Because They Fail (to Approximate the Wasserstein Distance)},
author = {Jan Stanczuk and Christian Etmann and Lisa Maria Kreusser and Carola-Bibiane Schönlieb},
journal= {arXiv preprint arXiv:2103.01678},
year = {2021}
}