조건부 GAN에 보조 판별 분류기 도입

조건부 생성 모델은 데이터와 레이블 간의 잠재적인 공동 분포를 학습함으로써 조건부 데이터 생성을 달성하려는 목표를 가진다. 이러한 모델 중에서 보조 분류기 생성 적대 신경망(AC-GAN)은 널리 사용되고 있으나, 생성 샘플의 내부 클래스 다양성(low intra-class diversity)이 낮다는 문제를 겪고 있다. 본 논문에서 지적된 근본적인 원인은 AC-GAN의 분류기가 생성기(generator)에 무관하다는 점이다. 이로 인해 생성기가 공동 분포에 근접하도록 유도할 수 있는 정보를 제공하지 못하며, 결과적으로 조건부 엔트로피가 최소화되어 내부 클래스 다양성이 감소하게 된다. 이러한 이해를 바탕으로, 본 논문에서는 보조 판별 분류기(auxiliary discriminative classifier)를 갖춘 새로운 조건부 GAN인 ADC-GAN을 제안한다. 특히 제안된 보조 판별 분류기는 실제 데이터와 생성 데이터의 클래스 레이블을 구별적으로 인식함으로써 생성기 중심의 인식 능력을 갖춘다. 이론적 분석을 통해 생성기가 원래의 판별기 없이도 공동 분포를 정확히 학습할 수 있음을 밝혔으며, 이는 제안된 ADC-GAN이 계수 하이퍼파라미터의 값과 GAN 손실 함수의 선택에 대해 강건하며, 학습 과정에서 안정적임을 의미한다. 합성 데이터 및 실제 데이터셋에 대한 광범위한 실험 결과는, 최첨단의 분류기 기반 및 투영 기반 조건부 GAN들과 비교하여 ADC-GAN이 조건부 생성 모델링에서 뛰어난 성능을 보임을 입증한다.