A Simple Generative Network

要約

生成ニューラル ネットワークは、手書きテキストや自然画像などの複雑な確率分布を模倣することができます。その開始以来、いくつかのモデルが提案されてきました。
これらの中で最も成功したものは、敵対的 (GAN)、自動エンコーディング (VAE)、および最大平均不一致 (MMD) の比較的複雑なアーキテクチャとスキームに基づいていました。
驚くべきことに、明らかな最適化目標 (Kullback_Leibler 発散) と組み合わせた非常に単純なアーキテクチャ (単一のフィードフォワード ニューラル ネットワーク) は明らかに見落とされていました。
この論文では、このようなモデル (簡略化のため SGN と表記) が、前述の最先端の方法と比較して、視覚的かつ定量的に競合するサンプルを生成できることを実証します。

要約(オリジナル)

Generative neural networks are able to mimic intricate probability distributions such as those of handwritten text, natural images, etc. Since their inception several models were proposed. The most successful of these were based on adversarial (GAN), auto-encoding (VAE) and maximum mean discrepancy (MMD) relatively complex architectures and schemes. Surprisingly, a very simple architecture (a single feed-forward neural network) in conjunction with an obvious optimization goal (Kullback_Leibler divergence) was apparently overlooked. This paper demonstrates that such a model (denoted SGN for its simplicity) is able to generate samples visually and quantitatively competitive as compared with the fore-mentioned state of the art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google