A Characteristic Function Approach to Deep Implicit Generative Modeling

#287

summarized by : 古川遼

Abdul Fatir Ansari, Jonathan Scarlett, Harold Soh

どんな論文か？

GANs に代表される implicit な生成モデルの訓練の loss として、確率変数の特性関数の間の重み付き距離から定まるものを提案した。提案した loss が理論的に望ましい性質を持つことを示した。また、教師なしの画像生成のベンチマークデータセットにおいて、その loss を使って学習した GAN のモデルが WGAN や MMD-GAN の変種よりも良い精度を達成した。

新規性

今までの GAN の訓練においては Wasserstein 距離や Maximum Mean Discrepancy (MMD) など主に integral probability metrics を使った loss が用いられてきたが、新たに確率変数の特性関数の間の重み付き距離から定まる loss を用いることを提案した点。

結果

・提案した loss は、生成器のパラメータについての連続性や微分可能性など望ましい性質を持つことを示した。・提案した loss を使って学習した GAN のモデルは、1次元データの合成や CIFAR-10、STL-10、CelebA における画像生成で、WGAN や MMD-GAN の変種よりも良い精度を達成した。

その他（なぜ通ったか？等）

・今までの GANs などの implicit 生成モデルの訓練で主に用いられていなかった loss を提案し、その loss の理論的正当性やその loss を使った GAN のモデルが高精度であること示したこと・提案した loss が implicit 生成モデルで広く適用可能と考えられること、などが採用された要因と考えられる。

このページで利用されている画像は論文から引用しています．