Cross-GAN Auditing: Unsupervised Identification of Attribute Level Similarities and Differences between Pretrained Generative Models

要約

【タイトル】事前に学習された生成モデルの属性レベルの類似と相違を無監視で特定するCross-GAN監査

【要約】

– GANは、複雑な分布や限られたデータに対して特にトレーニングが困難であることがよく知られている。
– これにより、バイアスを特定したり、公平性を保証するなどの人間が理解できる形式でトレーニングされたネットワークを監査するツールの必要性が生じました。
– 既存のGAN監査ツールは、FIDや再現率などのサマリー統計に基づく粗いモデルデータの比較に限定されています。
– 本論文では、新しく開発されたGANを従来のベースラインGANと比較する代替アプローチを提案しています。
– そのために、Cross-GAN監査（xGA）を導入しています。
– クライアントGANとして提供される新しいGANと「リファレンス」GANが与えられた場合、xGAは、両方のGANに共通する理解できる属性、クライアントGANに固有の新しい属性、クライアントGANから欠落している属性を同時に特定します。
– これにより、ユーザーやモデル開発者はGAN間の類似性と差異の直感的な評価を得ることができます。
– 属性ベースのGAN監査アプローチを評価するための新しいメトリックを導入し、これらのメトリックを使用して、xGAがベースラインアプローチよりも優れた性能を発揮することを定量的に示します。
– さまざまな画像データセットでトレーニングされたGANから特定された共通、新機能、欠落属性を示す質的結果も含まれます。

要約(オリジナル)

Generative Adversarial Networks (GANs) are notoriously difficult to train especially for complex distributions and with limited data. This has driven the need for tools to audit trained networks in human intelligible format, for example, to identify biases or ensure fairness. Existing GAN audit tools are restricted to coarse-grained, model-data comparisons based on summary statistics such as FID or recall. In this paper, we propose an alternative approach that compares a newly developed GAN against a prior baseline. To this end, we introduce Cross-GAN Auditing (xGA) that, given an established ‘reference’ GAN and a newly proposed ‘client’ GAN, jointly identifies intelligible attributes that are either common across both GANs, novel to the client GAN, or missing from the client GAN. This provides both users and model developers an intuitive assessment of similarity and differences between GANs. We introduce novel metrics to evaluate attribute-based GAN auditing approaches and use these metrics to demonstrate quantitatively that xGA outperforms baseline approaches. We also include qualitative results that illustrate the common, novel and missing attributes identified by xGA from GANs trained on a variety of image datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI