xAI-GAN：通过可解释 AI 系统增强生成对抗网络
机器学习
2022-03-30 v3 机器学习
摘要
生成对抗网络（GANs）是一类革命性的深度神经网络（DNNs），已成功用于生成逼真的图像、音乐、文本及其他数据。然而，GAN 训练面临诸多挑战，显著的是其可能非常耗费资源。GAN 的一个潜在弱点是需要大量数据才能成功训练，而数据收集可能是一个昂贵的过程。通常，判别器 DNN 向生成器 DNN 的纠正性反馈（即判别器对生成样本的评价）仅使用一个实数值（损失）来计算。相比之下，我们提出一类称为 xAI-GAN 的新型 GAN，它利用可解释 AI（xAI）系统的近期进展，提供从判别器到生成器的“更丰富”形式的纠正性反馈。具体而言，我们使用 xAI 系统修改梯度下降过程，这些系统指明判别器做出该分类的原因，从而提供“更丰富”的纠正性反馈，帮助生成器更好地欺骗判别器。使用我们的方法，我们观察到在 MNIST 和 FMNIST 数据集上，按 Frechet Inception Distance（FID）衡量，xAI-GAN 相比标准 GAN 在生成图像质量上提升了高达 23.18%。我们进一步在 CIFAR10 数据集上比较使用 20% 数据训练的 xAI-GAN 与使用 100% 数据训练的标准 GAN，发现 xAI-GAN 仍显示出 FID 分数的提升。此外，我们将我们的工作与可微增强（Differentiable Augmentation）——已被证明能使 GAN 数据高效——进行比较，并显示 xAI-GAN 优于使用可微增强训练的 GAN。而且，两种技术可结合以产生更好的结果。最后，我们认为 xAI-GAN 使用户比标准 GAN 对模型学习方式拥有更大的控制力。
引用
@article{arxiv.2002.10438,
title = {xAI-GAN: Enhancing Generative Adversarial Networks via Explainable AI Systems},
author = {Vineel Nagisetty and Laura Graves and Joseph Scott and Vijay Ganesh},
journal= {arXiv preprint arXiv:2002.10438},
year = {2022}
}
备注
7 pages (+ 2 page for reference)