#48
summarized by : Yoshiki
A Generative Adversarial Density Estimator

どんな論文か?

VAE等の尤度関数に基づいて確率密度推定を行う生成モデルでは、画像生成において生成画像がぼやけるといった課題がある。一方、GANは高品質な画像を生成できるが、尤度関数を陽にモデル化しないため、確率密度が計算できない。本研究では、最尤推定で確率密度推定を行うが、正規化項の解析的な計算ができないため、変分原理に基づき上限を考え、上限の評価にGAN同様に決定的な関数を用いる。
placeholder

新規性

Flow-baseの生成モデルではDNNの構造を制限することで、直接尤度関数を評価することを可能にしている。一方、本手法ではDNNを可逆な関数に制限せず、尤度関数の評価に近似を用いる。

結果

画像生成において、従来のGANと比較し提案手法がMode Collapseを回避できていることを確認。 また、提案手法のベイズ拡張をVisual Question Answeringに適用し、推定結果の不確実性が高い場合”I don’t know”と返答できるようにした。誤った回答において分散が高いことを確認できたので、閾値を用いて“置き換え可能であることを示した。

その他(なぜ通ったか?等)