|
原文
原文链接： 【GAN优化】什么是模式崩溃，以及如何从优化目标上解决这个问题 【GAN优化】解决模式崩溃的两条思路：改进优化和网络架构
本文只对上面两篇文章内容做总结，具体内容请查看原文。
什么是模式崩溃
对于某一个训练数据集，其中样本的概率分布为一个简单的一维高斯混合分布，包含两个峰：  模式崩溃问题是针对于生成样本的多样性，即生成的样本大量重复类似，例如下图（绿色点为生成的样本）：  生成的样本全部聚集在左边的峰下，这时虽然生成样本的质量比较高，但是生成器完全没有捕捉到右边的峰的模式。
解决思路
从优化目标考虑
unrolled GAN [1]：unrolled GAN认为，因为生成器缺乏“先见之明”，导致了无法跳出模式崩溃的困境，生成器每次更新参数时，只考虑在当前生成器和判别器的状态下可以获得的最优解，生成器并不知道当前选择的最优解从长远来看并不是最优解。通过一定的改进，来赋予生成器“先见之明”。即生成器在更新时，不仅仅考虑当前生成器的状态，还会额外考虑以当前状态为起始点，判别器更新K次后的状态，综合两个信息做出最优解。DRAGAN [2]：GAN的参数优化问题并不是一个凸优化问题，存在许多局部纳什均衡状态。即使GAN进入某个纳什均衡状态，损失函数表现为收敛，其仍旧可产生模式崩溃，我们认为此时参数进入一个坏的局部均衡点。通过实践，发现当GAN出现模式崩溃问题时，通常伴随着这样的表现：当判别器在训练样本附近更新参数时，其梯度值非常大，故DRAGAN的解决方法是：对判别器，在训练样本附近施加梯度惩罚项。试图在训练样本附近构建线性函数，因为线性函数为凸函数具有全局最优解。DRAGAN的形式与WGAN-GP颇为相似，只是WGAN-GP是在全样本空间施加梯度惩罚，而DRAGAN只在训练样本附近施加梯度惩罚。
从网络架构考虑
MAD-GAN [3]：即使单个生成器会产生模式崩溃的问题，但是如果同时构造多个生成器，且让每个生成器产生不同的模式，则这样的多生成器结合起来也可以保证产生的样本具有多样性。在MAD（Multi-agent diverse）GAN中，共包括k个初始值不同的生成器和1个判别器，与标准GAN的生成器一样，每个生成器的目的仍然是产生虚假样本试图欺骗判别器。对于判别器，它不仅需要分辨样本来自于训练数据集还是其中的某个生成器（这仍然与标准GAN的判别器一样），而且还需要驱使各个生成器尽量产生不相似的样本。MAD-GAN-Sim ：MAD-GAN-Sim是一种“更强力”的版本，它不仅考虑了每个生成器都分别负责生成不同的样本，而且更细致地考虑了样本的相似性问题。其出发点在于：来自于不同模式的样本应该是看起来不同的，故不同的生成器应该生成看起来不相似的样本。
参考论文
[1] Kodali N , Abernethy J , Hays J , et al. On Convergence and Stability of GANs[J]. 2017. [2] Metz L , Poole B , Pfau D , et al. Unrolled Generative Adversarial Networks[J]. 2016. [3] Ghosh A , Kulharia V , Namboodiri V , et al. Multi-Agent Diverse Generative Adversarial Networks[J]. 2017.
|