Distance Guided Generative Adversarial Network for Explainable Binary Classifications

要約

データ不足を軽減するというデータ拡張の潜在的な利点にもかかわらず、従来の拡張方法は主に事前のドメイン内の知識に依存しています。
一方、高度な敵対的生成ネットワーク (GAN) は、種類が限られたドメイン間サンプルを生成します。
これらの以前の方法は、二値分類の決定境界の記述に限定的に貢献します。
本稿では、超平面空間内で生成されるサンプルの変動度を制御する距離誘導GAN(DisGAN)を提案する。
具体的には、2 つの方法を組み合わせて DisGAN のアイデアをインスタンス化します。
1 つ目の方法は垂直距離 GAN (VerDisGAN) で、ドメイン間の生成が垂直距離に基づいて行われます。
2 番目の方法は水平距離 GAN (HorDisGAN) で、ドメイン内生成が水平距離に基づいて行われます。
さらに、VerDisGAN はソース画像を超平面にマッピングすることでクラス固有の領域を生成できます。
実験結果は、DisGAN が説明可能な二値分類で GAN ベースの拡張手法よりも一貫して優れていることを示しています。
提案された方法は、さまざまな分類アーキテクチャに適用でき、マルチクラス分類に拡張できる可能性があります。

要約(オリジナル)

Despite the potential benefits of data augmentation for mitigating the data insufficiency, traditional augmentation methods primarily rely on the prior intra-domain knowledge. On the other hand, advanced generative adversarial networks (GANs) generate inter-domain samples with limited variety. These previous methods make limited contributions to describing the decision boundaries for binary classification. In this paper, we propose a distance guided GAN (DisGAN) which controls the variation degrees of generated samples in the hyperplane space. Specifically, we instantiate the idea of DisGAN by combining two ways. The first way is vertical distance GAN (VerDisGAN) where the inter-domain generation is conditioned on the vertical distances. The second way is horizontal distance GAN (HorDisGAN) where the intra-domain generation is conditioned on the horizontal distances. Furthermore, VerDisGAN can produce the class-specific regions by mapping the source images to the hyperplane. Experimental results show that DisGAN consistently outperforms the GAN-based augmentation methods with explainable binary classification. The proposed method can apply to different classification architectures and has potential to extend to multi-class classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google