مُصنّفان مُساعِدان مُزدوجان GAN

تحقيق نماذج التوليد الشرطي تقدماً كبيراً خلال السنوات القليلة الماضية. أحد النماذج الشرطية الشائعة هو نموذج GAN المُصنّف المساعد (AC-GAN)، الذي يُولّد صوراً ذات تمييز عالي من خلال توسيع دالة الخسارة في GAN بإضافة تصنيف مساعد. ومع ذلك، يميل تنوع العينات المولّدة بواسطة AC-GAN إلى التناقص مع زيادة عدد الفئات. في هذه الورقة، نحدد سبب المشكلة الناتجة عن انخفاض التنوّع نظريًا، ونُقدّم حلًا عمليًا لهذه المشكلة. نُبيّن أن التصنيف المساعد في AC-GAN يفرض فصلًا مثاليًا، وهو ما يُعدّ عيبًا عندما تكون حُدود توزيعات الفئات متداخلة بشكل كبير. لمعالجة هذه المشكلة، نقترح نموذج الشبكة التوليدية المضادة ذات التصنيفين المساعدين المزدوجين (TAC-GAN)، الذي يضيف لاعبًا جديدًا يتفاعل مع اللاعبين الآخرين (المولّد والمتناقض) في هيكل GAN. نُثبت نظريًا أن TAC-GAN يمكنه تقليل الانحراف بين توزيعات البيانات المولّدة وبيانات الواقع بشكل فعّال. وتشير النتائج التجريبية الواسعة إلى أن TAC-GAN قادر على إعادة إنتاج توزيعات البيانات الحقيقية بدقة على البيانات المُحاكاة، كما يُحسّن بشكل ملحوظ تنوع توليد الصور الشرطية حسب الفئة على مجموعات البيانات الحقيقية.