Multi-objective training of Generative Adversarial Networks with multiple discriminators

Jan 2019

Multi-objective training of Generative Adversarial Networks with multiple discriminators

Jan 2019

La littérature récente a montré des résultats prometteurs pour la formation de réseaux d’adversaire génératif en employant un ensemble de discriminateurs, contrairement au jeu traditionnel impliquant un générateur contre un seul adversaire. Ces méthodes permettent d’optimiser un objectif sur une certaine consolidation simple des pertes, par ex. une moyenne arithmétique. Dans ce travail, nous réexaminons le paramètre de discriminateur multiple en définissant la minimisation simultanée des pertes fournie par différents modèles comme un problème d’optimisation à objectifs multiples. Plus précisément, nous évaluons les performances de plusieurs descentes de gradient et de l’algorithme de maximisation d’hypervolume sur plusieurs jeux de données différents. De plus, nous soutenons que les méthodes et la maximisation d’hypervolume proposées précédemment peuvent toutes être considérées comme des variations de descente à plusieurs gradients dans lesquelles la direction de mise à jour peut être calculée efficacement. Nos résultats indiquent que la maximisation de l’hypervolume présente un meilleur compromis entre la qualité de l’échantillon et le coût de calcul que les méthodes précédentes.

Reference

Linked Profiles