A Unifying Generator Loss Function for Generative Adversarial Networks

要約

統合 $\alpha$ パラメータ化生成器損失関数が二重目的敵対的生成ネットワーク (GAN) に導入され、元の GAN (VanillaGAN) システムのような標準 (または古典的) 識別子損失関数が使用されます。
生成器の損失関数は対称クラス確率推定型関数 $\mathcal{L}_\alpha$ に基づいており、結果として得られる GAN システムは $\mathcal{L}_\alpha$-GAN と呼ばれます。
最適な識別器の下では、ジェネレーターの最適化問題は、ジェンセン-シャノン発散の自然な一般化であるジェンセン-$f_\alpha$-発散を最小化することで構成されていることが示されます。ここで、$f_\alpha$ は次の項で表される凸関数です。
損失関数 $\mathcal{L}_\alpha$ の。
また、この $\mathcal{L}_\alpha$-GAN 問題は、VanillaGAN、最小二乗 GAN (LSGAN)、最小 $k$ 次 GAN など、文献にある多数の GAN 問題を特殊なケースとして回復することも実証されています。
L$k$GAN) と、最近導入された $(\alpha_D,\alpha_G)$-GAN ($\alpha_D=1$) です。
最後に、$\mathcal{L}_\alpha$-GAN システムのさまざまな例のパフォーマンスを示すために、MNIST、CIFAR-10、および Stacked MNIST の 3 つのデータセットに対して実験結果が実行されます。

要約(オリジナル)

A unifying $\alpha$-parametrized generator loss function is introduced for a dual-objective generative adversarial network (GAN), which uses a canonical (or classical) discriminator loss function such as the one in the original GAN (VanillaGAN) system. The generator loss function is based on a symmetric class probability estimation type function, $\mathcal{L}_\alpha$, and the resulting GAN system is termed $\mathcal{L}_\alpha$-GAN. Under an optimal discriminator, it is shown that the generator’s optimization problem consists of minimizing a Jensen-$f_\alpha$-divergence, a natural generalization of the Jensen-Shannon divergence, where $f_\alpha$ is a convex function expressed in terms of the loss function $\mathcal{L}_\alpha$. It is also demonstrated that this $\mathcal{L}_\alpha$-GAN problem recovers as special cases a number of GAN problems in the literature, including VanillaGAN, Least Squares GAN (LSGAN), Least $k$th order GAN (L$k$GAN) and the recently introduced $(\alpha_D,\alpha_G)$-GAN with $\alpha_D=1$. Finally, experimental results are conducted on three datasets, MNIST, CIFAR-10, and Stacked MNIST to illustrate the performance of various examples of the $\mathcal{L}_\alpha$-GAN system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google