
초록
생성적 적대 신경망(GAN)은 전통적인 비지도 기계학습에서 가장 중요한 신경망 모델 중 하나로 부상하였다. 다양한 판별기 손실 함수가 개발되어 GAN의 판별기 학습에 활용되었으며, 이들 모두는 공통적인 구조를 가지는데, 실제 데이터와 생성 데이터에 각각 의존하는 실제 손실과 가짜 손실의 합으로 구성된다. 두 손실을 동일한 가중치로 합산하는 방식의 한 가지 도전 과제는, 한쪽 손실의 학습에 도움이 되는 방향으로 학습이 진행될 경우 다른 손실은 오히려 악화될 수 있다는 점이다. 본 연구에서는 이러한 문제로 인해 안정성 저하와 모드 붕괴(mode collapse)가 발생함을 보여준다. 이에 따라 본 논문에서는 실제 손실과 가짜 손실의 가중합을 채택하는 새로운 판별기 손실 함수의 가족을 제안하며, 이를 적응형 가중 손실 함수(adaptive weighted loss function, aw-loss 함수)라고 명명한다. 실제 및 가짜 손실 부분의 기울기를 활용하여, GAN의 안정성에 유리한 방향으로 판별기 학습을 위한 가중치를 적응적으로 선택할 수 있다. 본 방법은 실제 손실과 가짜 손실의 합으로 구성된 손실을 가지는 모든 판별기 모델에 적용 가능하다. 실험을 통해 제안한 손실 함수의 효과성이 무조건적 이미지 생성 과제에서 검증되었으며, CIFAR-10, STL-10, CIFAR-100 데이터셋에서 Inception Score와 FID 지표에서 기준 성능 대비 유의미한 개선을 보였다.