초록
본 논문에서는 새로운 손실 감응 생성적 적대 네트워크(LS-GAN)에 대한 리프시츠 정규화 이론 및 알고리즘을 제시합니다. 특히, 이 모델은 지정된 마진으로 실제 샘플과 가짜 샘플을 구분하도록 손실 함수를 훈련시키며, 동시에 생성기를 교대로 학습하여 손실을 최소화하는 현실적인 샘플을 생성합니다. LS-GAN은 실제 데이터의 밀도에 대한 리프시츠 정규성 조건으로 손실 함수를 추가로 정규화하여, 클래식 GAN보다 합리적인 수의 훈련 예제에서 새로운 데이터를 더 잘 일반화할 수 있는 정규화된 모델을 제공합니다. 또한, 일반화된 LS-GAN(GLS-GAN)을 소개하고, 이 모델이 LS-GAN과 와세르슈타인 GAN(Wasserstein GAN)을 포함한 다양한 정규화된 GAN 모델들의 큰 집합으로 구성되어 있음을 보여줍니다. 다른 GAN 모델들과 비교하여, 우리는 실험을 통해 LS-GAN과 GLS-GAN이 별도의 테스트 세트에서 최소 재구성 오류(Minimum Reconstruction Error, MRE) 측면에서 새로운 이미지를 생성하는 데 있어 경쟁력 있는 능력을 보임을 입증할 것입니다. 또한, LS-GAN을 지도 학습 및 준지도 학습 문제에 적용하기 위해 조건부 형태로 확장하고, 이미지 분류 작업에서 우수한 성능을 보이는 것을 시연할 것입니다.