基于生成对抗网络增强数据的偏差量化的系统研究
本文提出一种可视化 GAN 模式折叠问题的方法,通过应用语义分割网络来比较生成图片中分割对象的分布与训练集中目标分布的差异,进而发现被 GAN 遗漏的对象类别,并给出相应的可视化结果。同时,采用更简单的 GAN layer 反演方法来检测多个数据集上 GAN 的典型失败情况。
Oct, 2019
本文探讨了生成对抗网络(GANs)中的模式崩溃问题,提出了一种基于采样的统计工具来诊断和校准 GANs 中的内部模式崩溃。研究表明,这种状态仍然很普遍,并且在黑匣子设置中可以诊断和校准。
Jul, 2021
本研究以新的数据生成过程为基础,揭示了生成对抗网络(GAN)生成器模式崩溃的驱动因素是判别器对先前样本的分类准确性的遗忘,即连续学习中的灾难性遗忘现象。为了解决此问题,我们引入了一种自适应生成额外判别模式的训练方法,可以减轻模式崩溃并提高 GAN 评估的标准度量。
Dec, 2021
本文通过使用通常仅用于培训的散度和距离函数来对各种类型的 GAN 性能进行评估,观察了所提出的度量之间的一致性,发现测试时间指标并不支持使用相同训练时间标准的网络,我们还将所提出的度量与人类感知分数进行比较。
Mar, 2018
本文提出了一种新的简单方法,将基于编码器的目标函数与新颖的损失函数相结合,以在丢失模式问题上改进生成对抗网络(GAN)的训练,其中详细分析了玩具和真实数据集的量化和定性结果,证明了该方法在解决缺失模式问题和提高 GAN 训练方面的有效性。
Feb, 2018
本研究表明,基于 Generative Adversarial Networks(GANs)的数据增强方法在数据集存在偏向性的情况下,可能会加剧性别和肤色偏见等潜在维度的偏向。特别地,我们展示了 GANs 进一步扭曲了由工程师头像组成的数据集的分布,会对少数族裔造成负面影响。因此,本研究是一种警示性的学术探究。
Jan, 2020
本文提出了一种新的基于几何学性质的 GAN 模型性能度量方法,可以定量和定性地评估生成样本的质量和模式崩溃的程度。该算法适用于各种类型的数据集,并不仅限于视觉数据。我们在多种真实模型和数据集上测试了该方法,并展示了其提供的 GANs 特性新洞察。
Feb, 2018
通过研究不同类型的模式崩溃问题和它们对合成 X 射线图像的多样性的影响,本文探讨了将自适应输入图像归一化与深度卷积 GAN 和辅助分类 GAN 相结合以减轻模式崩溃问题的好处。通过将合成图像用于数据增强和训练视觉转换模型,使用准确度、召回率和精确度等指标评估模型的分类性能。结果表明,使用自适应输入图像归一化的 DCGAN 和 ACGAN 优于使用未归一化的 X 射线图像的 DCGAN 和 ACGAN,这体现在更好的多样性指标和分类指标上。
Sep, 2023
本研究探讨了生成对抗网络(GAN)的数据增强中的偏见问题,通过实验设计了一种数据集筛选的流程来减少 GAN-based 数据增强方法的偏见,并最终提出了一些应对方案以减缓偏见对模型性能的影响。
May, 2019
本文讨论了生成对抗网络(GANs)中的模式坍塌问题,提出了一种基于度量空间的几何视角来嵌入数据,以解决自动确定潜在空间维度和构造高斯混合模型的方法,进而改进目标函数,通过理论分析支持每个方法步骤,并验证了该方法能够在真实和合成数据上产生分布于大多数模式中的样本,避免不需要的样本,性能优于现有 GAN 变体。
May, 2018