Réseaux Adverses Génératifs Sensibles à la Perte sur les Densités de Lipschitz

Dans cet article, nous présentons la théorie de la régularisation de Lipschitz et des algorithmes pour un nouveau Réseau Adversatif Génératif Sensible à la Perte (LS-GAN). Plus précisément, il entraîne une fonction de perte pour distinguer entre des échantillons réels et faux par des marges désignées, tout en apprenant un générateur alternativement pour produire des échantillons réalistes en minimisant leurs pertes. Le LS-GAN régularise davantage sa fonction de perte avec une condition de régularité de Lipschitz sur la densité des données réelles, ce qui donne un modèle régularisé qui peut mieux généraliser pour produire de nouvelles données à partir d'un nombre raisonnable d'exemples d'entraînement que le GAN classique. Nous présenterons également un LS-GAN Généralisé (GLS-GAN) et montrerons qu'il contient une grande famille de modèles GAN régularisés, y compris à la fois le LS-GAN et le GAN de Wasserstein, en tant que cas particuliers. Comparé aux autres modèles GAN, nous réaliserons des expériences pour montrer que le LS-GAN et le GLS-GAN présentent une capacité compétitive à générer de nouvelles images en termes d'Erreur de Reconstruction Minimale (MRE) évaluée sur un ensemble de test séparé. Nous étendons également le LS-GAN à une forme conditionnelle pour des problèmes d'apprentissage supervisé et semi-supervisé, et démontrons sa performance exceptionnelle sur des tâches de classification d'images.