GANs conditionnels avec classificateur discriminant auxiliaire

Les modèles génératifs conditionnels visent à apprendre la distribution conjointe sous-jacente des données et des étiquettes afin de réaliser une génération de données conditionnelle. Parmi ceux-ci, le réseau adversarial génératif à classificateur auxiliaire (AC-GAN) est largement utilisé, mais il souffre d’un faible de diversité intra-classe des échantillons générés. La cause fondamentale identifiée dans cet article réside dans le fait que le classificateur de l’AC-GAN est indépendant du générateur, ce qui empêche ce dernier de recevoir une guidance informative pour s’approcher de la distribution conjointe, entraînant ainsi une minimisation de l’entropie conditionnelle, réduisant ainsi la diversité intra-classe. Motivés par cette compréhension, nous proposons un nouveau modèle GAN conditionnel doté d’un classificateur discriminatif auxiliaire (ADC-GAN) afin de résoudre ce problème. Plus précisément, le classificateur discriminatif auxiliaire proposé devient conscient du générateur en reconnaissant de manière discriminative les étiquettes de classe des données réelles et des données générées. Notre analyse théorique révèle que le générateur peut fidèlement apprendre la distribution conjointe même en l’absence du discriminateur original, rendant ainsi l’ADC-GAN robuste vis-à-vis de la valeur du paramètre hyper-optimisé et du choix de la fonction de perte du GAN, tout en assurant une stabilité pendant l’entraînement. Des résultats expérimentaux étendus sur des jeux de données synthétiques et réels démontrent l’avantage de l’ADC-GAN dans le domaine de la modélisation générative conditionnelle par rapport aux méthodes de pointe basées sur des classificateurs ou sur des projections.