제한된 데이터 하에서 생성적 적대 신경망의 정규화

최근 몇 년간 생성적 적대 신경망(GAN)의 발전이 급속히 이루어지고 있다. 그러나 GAN 모델의 성공은 대량의 훈련 데이터에 의존하는 특징을 지닌다. 본 연구에서는 제한된 데이터 환경에서 강건한 GAN 모델을 훈련하기 위한 정규화 방안을 제안한다. 이론적으로 정규화된 손실 함수와 LeCam-다양도라고 불리는 f-다양도 간의 연결성을 밝혀내었으며, 이 다양도가 제한된 훈련 데이터 하에서 더 뛰어난 안정성을 보임을 발견하였다. 다양한 벤치마크 데이터셋을 대상으로 수행한 광범위한 실험을 통해 제안된 정규화 기법이 1) 제한된 훈련 데이터 하에서 GAN 모델의 일반화 성능을 향상시키고 학습 동역학을 안정화하며, 2) 최근 제안된 데이터 증강 기법과 보완적 역할을 함을 입증하였다. 이러한 특성은 ImageNet 벤치마크에서 사용 가능한 훈련 데이터가 제한적인 경우에도 GAN 모델이 최신 기술 수준의 성능을 달성할 수 있도록 지원한다.