초록
우리는 일반적으로 사용되는 힌지 손실(Hinge loss)의 다중 클래스 일반화를 통해 GAN의 크리틱(critic)에 클래스 조건 정보를 통합할 수 있는 새로운 알고리즘을 제안한다. 이 방법은 지도 학습 및 반지도 학습 환경 모두와 호환된다. 우리는 최첨단 생성자(generator)와 정확한 분류기(classifier)를 동시에 훈련하는 과정에서의 균형을 탐구하고, 제안한 알고리즘을 활용하여 생성자와 크리틱이 얼마나 클래스 조건 입력을 반영하는지를 측정하는 방법을 제시한다. 또한, 클래스 조건 입력을 충족시키는 생성자-크리틱 쌍과 최고 품질의 이미지를 생성하는 것 사이의 트레이드오프를 보여준다. 제안한 다중 힌지 손실(multi-hinge loss) 수정을 통해 ImageNet 데이터셋에서 Inception Score와 Frechet Inception Distance(FID)를 개선할 수 있었다. 관련된 TensorFlow 코드는 https://github.com/ilyakava/gan 에 공개하였다.