شبكات التعلم المعاكسة المنافسة الحساسة للخسارة على كثافات ليبشيتز

في هذا البحث، نقدم نظرية وخوارزميات التنظيم ليبشيتز (Lipschitz Regularization) لمجموعة جديدة من شبكات المواجهة التوليدية الحساسة للخسارة (LS-GAN). بصفة خاصة، يتم تدريب دالة الخسارة على تمييز العينات الحقيقية عن العينات المزيفة بهامش محدد، بينما يتم تعلم المولد بشكل متوازي لإنتاج عينات واقعية عن طريق تقليل خسائرها. يعزز LS-GAN دالة الخسارة الخاصة به بشروط تنظيم ليبشيتز على كثافة البيانات الحقيقية، مما يؤدي إلى نموذج منظم يمكنه التعميم بشكل أفضل لإنتاج بيانات جديدة من عدد معقول من أمثلة التدريب مقارنة بالGAN التقليدية. سنقدم أيضًا مجموعة LS-GAN العامة (GLS-GAN) ونوضح أنها تحتوي على عائلة كبيرة من نماذج GAN المنظمة، والتي تشمل كلًا من LS-GAN و WGAN كحالات خاصة. مقارنة بنماذج GAN الأخرى، سنقوم بإجراء تجارب لShowing أن كلًا من LS-GAN و GLS-GAN يظهر قدرة تنافسية في إنتاج صور جديدة بناءً على خطأ إعادة البناء الأدنى (MRE) الذي يتم تقديره على مجموعة اختبار منفصلة. بالإضافة إلى ذلك، نوسع LS-GAN إلى شكل مشروط للمشاكل التعليم المشرف والمراقب جزئيًا، ونوضح أدائه المتميز في مهام تصنيف الصور.请注意，最后一句中的 " Showing " 应该是 " showing "，这是原文中的一个小错误。以下是修正后的翻译：في هذا البحث، نقدم نظرية وخوارزميات التنظيم ليبشيتز (Lipschitz Regularization) لمجموعة جديدة من شبكات المواجهة التوليدية الحساسة للخسارة (LS-GAN). بصفة خاصة، يتم تدريب دالة الخسارة على تمييز العينات الحقيقية عن العينات المزيفة بهامش محدد، بينما يتم تعلم المولد بشكل متوازي لإنتاج عينات واقعية عن طريق تقليل خسائرها. يعزز LS-GAN دالة الخسارة الخاصة به بشروط تنظيم ليبشيتز على كثافة البيانات الحقيقية، مما يؤدي إلى نموذج منظم يمكنه التعميم بشكل أفضل لإنتاج بيانات جديدة من عدد معقول من أمثلة التدريب مقارنة بالGAN التقليدية. سنقدم أيضًا مجموعة LS-GAN العامة (GLS-GAN) ونوضح أنها تحتوي على عائلة كبيرة من نماذج GAN المنظمة، والتي تشمل كلًا من LS-GAN و WGAN كحالات خاصة. مقارنة بنماذج GAN الأخرى، سنقوم بإجراء تجارب لتوضيح أن كلًا من LS-GAN و GLS-GAN يظهر قدرة تنافسية في إنتاج صور جديدة بناءً على خطأ إعادة البناء الأدنى (MRE) الذي يتم تقديره على مجموعة اختبار منفصلة. بالإضافة إلى ذلك، نوسع LS-GAN إلى شكل مشروط للمشاكل التعليم المشرف والمراقب جزئيًا، ونوضح أدائه المتميز في مهام تصنيف الصور.