Kolmogorov-Smirnov GAN

要約

我々は、新しい深層生成モデルであるコルモゴロフ・スミルノフ敵対的生成ネットワーク (KSGAN) を提案します。
既存のアプローチとは異なり、KSGAN は学習プロセスをコルモゴロフ-スミルノフ (KS) 距離の最小化として定式化し、多変量分布を処理するために一般化します。
この距離は、敵対的トレーニング プロセスの批評家として機能する分位関数を使用して計算されます。
KS 距離を最小化すると、トレーニングされた近似分布がターゲット分布と一致することが正式に証明されます。
効率的な導入方法の提案と実験による効果評価を行います。
結果は、KSGAN が既存の敵対的手法と同等のパフォーマンスを示し、トレーニング中の安定性、モードのドロップや崩壊に対する耐性、ハイパーパラメーター設定の変動に対する耐性を示していることを示しています。
さらに、一般化 KS テストに関する文献をレビューし、KSGAN と既存の敵対的生成モデルとの関係について議論します。

要約(オリジナル)

We propose a novel deep generative model, the Kolmogorov-Smirnov Generative Adversarial Network (KSGAN). Unlike existing approaches, KSGAN formulates the learning process as a minimization of the Kolmogorov-Smirnov (KS) distance, generalized to handle multivariate distributions. This distance is calculated using the quantile function, which acts as the critic in the adversarial training process. We formally demonstrate that minimizing the KS distance leads to the trained approximate distribution aligning with the target distribution. We propose an efficient implementation and evaluate its effectiveness through experiments. The results show that KSGAN performs on par with existing adversarial methods, exhibiting stability during training, resistance to mode dropping and collapse, and tolerance to variations in hyperparameter settings. Additionally, we review the literature on the Generalized KS test and discuss the connections between KSGAN and existing adversarial generative models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google