核心概念
GAN 최적화를 통해 생성기 분포가 실제 타겟 분포에 가까워지는지 분석하고, 이를 위한 충분 조건을 제시한다.
要約
이 논문은 GAN 최적화가 실제로 생성기 분포를 타겟 분포에 가깝게 만드는지 분석한다.
- GAN은 생성기와 판별기를 minimax 방식으로 최적화하지만, 이것이 실제로 생성기 분포를 타겟 분포에 가깝게 만드는지는 명확하지 않다.
- 이를 분석하기 위해 FM*(Functional Mean Divergence)와 max-ASW(Maximum Augmented Sliced Wasserstein Divergence)를 도입한다.
- FM*와 max-ASW가 동일한 클래스의 거리 척도를 포함하는 조건을 도출하고, 이를 Wasserstein GAN에 적용한다.
- 이를 일반적인 GAN으로 확장하여 방향 최적성, 분리성, 단사성의 세 가지 충분 조건을 제시한다.
- 이 이론적 결과를 바탕으로 Slicing Adversarial Network(SAN)을 제안한다. SAN은 GAN 최적화 문제를 단순히 수정하여 방향 최적성을 달성한다.
- 실험 결과, SAN이 다양한 GAN 모델에 비해 합성 데이터와 이미지 데이터 생성 성능이 우수함을 보인다.
統計
생성기 분포 µθ와 타겟 분포 µ0 사이의 Wasserstein 거리는 ∥dh(µ0, µθ)∥2로 표현된다.
방향 ω에 대한 Wasserstein 거리는 d⟨ω,h⟩(µ0, µθ)로 표현된다.
引用
"GAN 최적화가 실제로 생성기 분포를 타겟 분포에 가깝게 만드는지는 명확하지 않다."
"FM*와 max-ASW가 동일한 클래스의 거리 척도를 포함하는 조건을 도출하고, 이를 Wasserstein GAN에 적용한다."
"방향 최적성, 분리성, 단사성의 세 가지 충분 조건을 제시한다."