Bedingte GANs mit ergänzendem diskriminativem Klassifikator

Bedingte generative Modelle zielen darauf ab, die zugrundeliegende gemeinsame Verteilung von Daten und Labels zu erlernen, um bedingte Datengenerierung zu ermöglichen. Unter ihnen hat das Auxiliary Classifier Generative Adversarial Network (AC-GAN) weite Verbreitung gefunden, leidet jedoch unter dem Problem geringer innerhalb-Klasse-Diversität der generierten Samples. Der grundlegende Grund, der in dieser Arbeit aufgezeigt wird, ist, dass der Klassifikator des AC-GAN generator-agnostisch ist und somit keine informativen Anleitungen für den Generator bereitstellen kann, um der gemeinsamen Verteilung näherzukommen. Dies führt zu einer Minimierung der bedingten Entropie, was die innerhalb-Klasse-Diversität verringert. Ausgehend von diesem Verständnis schlagen wir ein neues bedingtes GAN mit einem zusätzlichen diskriminativen Klassifikator (ADC-GAN) vor, um das genannte Problem zu lösen. Konkret wird der vorgeschlagene zusätzliche diskriminative Klassifikator generatorbewusst, indem er die Klassenlabels echter und generierter Daten diskriminativ erkennt. Unsere theoretische Analyse zeigt, dass der Generator die gemeinsame Verteilung sogar ohne den ursprünglichen Diskriminator treu erlernen kann, wodurch das vorgeschlagene ADC-GAN robust gegenüber dem Wert des Koeffizienten-Hyperparameters und der Wahl der GAN-Loss-Funktion sowie stabil während des Trainings ist. Umfangreiche experimentelle Ergebnisse auf synthetischen und realen Datensätzen belegen die Überlegenheit des ADC-GAN im Bereich der bedingten generativen Modellierung gegenüber aktuellen state-of-the-art-Methoden basierend auf Klassifikatoren und Projektionen.