تحسين تدريب GAN باستخدام قص نسبة الاحتمال وإعادة وزن العينات

رغم النجاح المُسجَّل في مجموعة واسعة من المشكلات المتعلقة بالرؤية الحاسوبية، فإن الشبكات التوليدية التنافسية (GANs) غالبًا ما تعاني من أداء مُتدني ناتج عن عدم استقرار التدريب، خاصة في مهام توليد النصوص. ولحل هذه المشكلة، نقترح إطارًا جديدًا لتدريب الشبكات التوليدية التنافسية القائمة على التباين (Variational GAN)، يتميز بثبات تدريب متفوق. يُستمد نهجنا من علاقة بين الشبكات التوليدية التنافسية والتعلم القوي (Reinforcement Learning) من منظور تبايني. تؤدي هذه العلاقة إلى: (1) قص النسبة الاحتمالية (Probability Ratio Clipping)، الذي يُنظّم تدريب المُولّد لمنع التحديثات المفرطة، و(2) آلية إعادة وزن العينات التي تحسّن تدريب المُميّز من خلال تقليل تأثير العينات المُزيفة ذات الجودة المنخفضة. علاوةً على ذلك، يمكن للإطار المقترح، من خلال تحليل رياضي، التغلب على مشكلة التدريب المُشتركة في العديد من نماذج GAN، حيث لا يمكن للمُميّز الأمثل أن يُزوّد تدريب المُولّد بأي معلومات مفيدة من خلال التدرجات. وبتطبيق هذا النهج على مجموعة متنوعة من هياكل GAN المتطورة حديثًا، تم تحقيق تحسين ملحوظ في الأداء عبر مهام متعددة، تشمل توليد النصوص، وتحويل نمط النصوص، وتوليد الصور.