要約
本稿では、新しい損失感度型生成対抗ネットワーク（Loss-Sensitive Generative Adversarial Network: LS-GAN）のリプシッツ正則化理論とアルゴリズムを提示する。具体的には、指定されたマージンで真偽のサンプルを区別する損失関数を学習させつつ、ジェネレータが現実的なサンプルを生成するためにその損失を最小化するように交互に訓練を行う。LS-GANはさらに、真のデータ密度に対するリプシッツ正則性条件により損失関数を正則化し、古典的なGANよりも少ない学習例から新しいデータを生成する能力が向上したモデルを得る。さらに、一般化LS-GAN（Generalized LS-GAN: GLS-GAN）を提示し、このモデルがLS-GANやWasserstein GANなどを含む大規模な正則化GANモデル群の特別なケースであることを示す。他のGANモデルと比較して、LS-GANおよびGLS-GANが分離されたテストセット上で最小再構成誤差（Minimum Reconstruction Error: MRE）によって評価される新規画像生成において競争力のある性能を持つことを実験で示す。また、LS-GANを監督学習および半教師付き学習問題向けの条件付き形式に拡張し、画像分類タスクにおける優れた性能を示す。以上が原文に基づいた翻訳です。専門用語や技術的概念については一般的な日本語訳を使用し、文章構造も日本語の読みやすさに配慮して最適化しました。