BriefGPT - AI 论文速递
·
生成对抗网络统一生成器损失函数
💡
原文中文，约500字，阅读约需2分钟。
📝
内容提要
本文介绍了一种名为L_α-GAN的双目标生成对抗网络（GAN）的统一参数化生成器损失函数。L_α-GAN通过最小化Jensen-f_α-分歧来优化生成器，基于对称类概率估计类型函数L_α。实验证明L_α-GAN在多个数据集上的性能优于其他GAN系统。
🎯
关键要点
- 引入了一种统一的 α 参数化生成器损失函数，用于双目标生成对抗网络（GAN）。
- 生成器损失函数基于对称类概率估计类型函数 L_α，称为 L_α-GAN。
- 在最优鉴别器下，生成器的优化问题包括最小化 Jensen-f_α-分歧。
- Jensen-f_α-分歧是 Jensen-Shannon 分歧的自然推广，f_α 是用损失函数 L_α 表示的凸函数。
- L_α-GAN 问题是文献中一些 GAN 问题的特例，包括 VanillaGAN、最小二乘 GAN（LSGAN）、最小 k 阶 GAN（LkGAN）和（αD，αG）-GAN。
- 在 MNIST、CIFAR-10 和 Stacked MNIST 三个数据集上进行实验，验证 L_α-GAN 系统的性能优于其他 GAN 系统。
➡️
