Probabilistic Matching of Real and Generated Data Statistics in Generative Adversarial Networks

要約

敵対的生成ネットワークは、生成モデリングへの強力なアプローチを構成します。
生成されたサンプルは実際のデータと区別できないことがよくありますが、それらが真のデータ分布に従っているという保証はありません。
特に科学的アプリケーションの場合、生成された分布によって真の分布が適切に捕捉されることが重要です。
この研究では、生成された特定のデータ統計の分布が実際のデータのそれぞれの分布と確実に一致するようにする方法を提案します。
これを達成するために、発電機の損失関数に新しい損失項を追加し、適切な f 発散を介してこれらの分布間の差異を定量化します。
カーネル密度推定は、真の分布の表現を取得し、各反復でミニバッチ値から対応する生成された分布を推定するために使用されます。
他の方法と比較した場合、私たちのアプローチには、分布の完全な形状が考慮されるという利点があります。
合成データセットと現実世界のデータセットでメソッドを評価し、アプローチのパフォーマンスの向上を実証します。

要約(オリジナル)

Generative adversarial networks constitute a powerful approach to generative modeling. While generated samples often are indistinguishable from real data, there is no guarantee that they will follow the true data distribution. For scientific applications in particular, it is essential that the true distribution is well captured by the generated distribution. In this work, we propose a method to ensure that the distributions of certain generated data statistics coincide with the respective distributions of the real data. In order to achieve this, we add a new loss term to the generator loss function, which quantifies the difference between these distributions via suitable f-divergences. Kernel density estimation is employed to obtain representations of the true distributions, and to estimate the corresponding generated distributions from minibatch values at each iteration. When compared to other methods, our approach has the advantage that the complete shapes of the distributions are taken into account. We evaluate the method on a synthetic dataset and a real-world dataset and demonstrate improved performance of our approach.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google