Estudio de la Prevención del Colapso de Modo en Redes Generativas Antagónicas (GAN)

Con el avance de las Redes Neuronales Profundas y su aumento en aplicaciones, la necesidad de datos ha crecido exponencialmente. Para satisfacer esta necesidad, los modelos generativos profundos, específicamente las Redes Generativas Antagónicas (GAN), han surgido como una herramienta muy poderosa. Sin embargo, ajustar los parámetros de las GAN es extremadamente difícil debido a su inestabilidad y son muy propensas a perder modos durante el entrenamiento, lo que se denomina Colapso de Modo. El colapso de modo lleva a los generadores a generar imágenes de un modo particular mientras ignoran las otras clases de modo. En la presente investigación, proponemos un método novedoso para abordar el Colapso de Modo mediante el uso de una arquitectura de generador múltiple. Inicialmente, hemos mostrado la comparación de diferentes arquitecturas de GAN que abordan el problema del colapso de modo. Usamos la puntuación de Inception (IS) como métrica de evaluación para evaluar el rendimiento de las GAN. Comenzamos a analizar las GAN en un conjunto de datos simple (MNIST) utilizando la arquitectura DCGAN. Para producir mejores resultados, el trabajo presente describe la implementación de dos enfoques diferentes. Hemos experimentado con Wasserstein GAN (WGAN), que mejora el entrenamiento de las GAN al adoptar una métrica diferente, que es la distancia de Wasserstein para calcular la distancia entre dos distribuciones de probabilidad. Posteriormente, hemos propuesto el enfoque de arquitectura de GAN de generador múltiple, que utiliza múltiples generadores para proporcionar una mejor solución al problema de los modos faltantes. Evaluamos nuestro enfoque en varios conjuntos de datos (MNIST, CIFAR-10, SVHN, conjunto de datos de caras de CelebA) con resultados alentadores en comparación con otras arquitecturas existentes.