Fugu-MT 論文翻訳(概要): Wasserstein GANs Work Because They Fail (to Approximate the Wasserstein Distance)

論文の概要: Wasserstein GANs Work Because They Fail (to Approximate the Wasserstein Distance)

arxiv url: http://arxiv.org/abs/2103.01678v2
Date: Wed, 3 Mar 2021 16:50:36 GMT
ステータス: 処理完了
システム内更新日: 2021-03-04 12:29:20.750960
Title: Wasserstein GANs Work Because They Fail (to Approximate the Wasserstein Distance)
Title（参考訳）: Wasserstein GANsは失敗した(Wasserstein距離を近似するため)
Authors: Jan Stanczuk, Christian Etmann, Lisa Maria Kreusser, Carola-Bibiane Schonlieb
Abstract要約: wasserstein gans は実分布と生成分布の間の wasserstein 距離を最小化するアイデアに基づいている。理論的なセットアップとWasserstein GANのトレーニングの現実の違いの詳細な数学的分析を提供します。
参考スコア（独自算出の注目度）: 1.1470070927586016
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Wasserstein GANs are based on the idea of minimising the Wasserstein distance between a real and a generated distribution. We provide an in-depth mathematical analysis of differences between the theoretical setup and the reality of training Wasserstein GANs. In this work, we gather both theoretical and empirical evidence that the WGAN loss is not a meaningful approximation of the Wasserstein distance. Moreover, we argue that the Wasserstein distance is not even a desirable loss function for deep generative models, and conclude that the success of Wasserstein GANs can in truth be attributed to a failure to approximate the Wasserstein distance.
Abstract（参考訳）: wasserstein gans は実分布と生成分布の間の wasserstein 距離を最小化するアイデアに基づいている。理論的なセットアップとWasserstein GANのトレーニングの現実の違いの詳細な数学的分析を提供します。本研究では、WGAN損失がWasserstein距離の有意義な近似ではないという理論的および実証的な証拠を収集する。さらに、wasserstein距離は深い生成モデルにとって望ましい損失関数ではないと論じ、wasserstein gansの成功は、実際にはwasserstein距離を近似しなかったことに起因していると結論づける。

関連論文リスト

Conditional Wasserstein Distances with Applications in Bayesian OT Flow Matching [1.609940380983903]
逆問題において、多くの条件生成モデルは、合同測度と学習近似との距離を最小化することにより、後続測度を近似する。条件付きワッサーシュタイン距離は、後部の期待するワッサーシュタイン距離と等しいような制限された結合の集合を通じて導入する。我々は条件付きワッサーシュタイン距離の理論的性質を導出し、対応する測地線と速度場と流れのODEを特徴づける。
論文参考訳（メタデータ） (2024-03-27T15:54:55Z)
A Wasserstein perspective of Vanilla GANs [0.0]
バニラ GAN はワッサーシュタイン GAN の一般化である。特に、ワッサーシュタイン距離におけるバニラ GAN のオラクル不等式を得る。バニラ GAN とワッサーシュタイン GAN の収束率を未知の確率分布の推定子として結論付ける。
論文参考訳（メタデータ） (2024-03-22T16:04:26Z)
Squared Wasserstein-2 Distance for Efficient Reconstruction of Stochastic Differential Equations [0.0]
We provide a analysis of the squared $W$ distance between two probability distributions associated with Wasserstein differential equations (SDEs)。そこで本研究では,雑音データからのSDEのテクスト再構成における距離に基づく2乗損失関数の利用を提案する。
論文参考訳（メタデータ） (2024-01-21T00:54:50Z)
Offline Imitation from Observation via Primal Wasserstein State Occupancy Matching [111.78179839856293]
本稿では,学習者と専門的国家占有者の間の一次ワッサースタイン距離を最小化するために,プライマルワッサースタインDICEを提案する。我々のフレームワークは SMODICE の一般化であり、$f$-divergence と Wasserstein の最小化を統一する最初の研究である。
論文参考訳（メタデータ） (2023-11-02T15:41:57Z)
Y-Diagonal Couplings: Approximating Posteriors with Conditional Wasserstein Distances [0.4419843514606336]
逆問題において、多くの条件生成モデルは、合同測度と学習近似との距離を最小化することにより、後続測度を近似する。後部の期待するワッサーシュタイン距離と等しいような制限された結合の集合を持つ条件付きワッサーシュタイン距離を導入する。
論文参考訳（メタデータ） (2023-10-20T11:46:05Z)
Learning High Dimensional Wasserstein Geodesics [55.086626708837635]
高次元の2つの確率分布の間のワッサーシュタイン測地線を計算するための新しい定式化と学習戦略を提案する。ラグランジュ乗算器の手法を最適輸送(OT)問題の動的定式化に適用することにより、サドル点がワッサーシュタイン測地線であるミニマックス問題を導出する。次に、深層ニューラルネットワークによる関数のパラメータ化を行い、トレーニングのためのサンプルベースの双方向学習アルゴリズムを設計する。
論文参考訳（メタデータ） (2021-02-05T04:25:28Z)
Towards Generalized Implementation of Wasserstein Distance in GANs [46.79148259312607]
ワッサーシュタイン GANs (WGANs) は、ワッサーシュタイン距離のカンタロヴィチ-ルビンシュタイン双対性上に構築された。実際には、GANの他の変種よりも常に優れているとは限らない。 Sobolev Wasserstein GAN(SWGAN)という一般的なWGANトレーニングスキームを提案します。
論文参考訳（メタデータ） (2020-12-07T02:22:23Z)
On Projection Robust Optimal Transport: Sample Complexity and Model Misspecification [101.0377583883137]
射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
論文参考訳（メタデータ） (2020-06-22T14:35:33Z)
When OT meets MoM: Robust estimation of Wasserstein Distance [8.812837829361923]
本稿では,2つの確率分布間のワッサーシュタイン距離を,観測結果が外れ値によって汚染されると推定する問題を考察する。データ汚染モデルに基づいて, 一貫性を検証した新しいMoMベースのロバスト推定器について紹介し, 議論する。そこで本研究では,シンクホーンアルゴリズムと組み合わせて使用可能な,シンプルなMoMに基づく再重み付け手法を提案する。
論文参考訳（メタデータ） (2020-06-18T07:31:39Z)
Augmented Sliced Wasserstein Distances [55.028065567756066]
拡張スライスされたワッサーシュタイン距離(ASWD)と呼ばれる新しい距離測定法を提案する。 ASWDは、ニューラルネットワークによってパラメータ化された高次元超曲面への最初のマッピングサンプルによって構成される。数値的な結果から、ASWDは、合成問題と実世界の問題の両方において、他のワッサーシュタイン変種を著しく上回っていることが示されている。
論文参考訳（メタデータ） (2020-06-15T23:00:08Z)
Projection Robust Wasserstein Distance and Riemannian Optimization [107.93250306339694]
プロジェクション・ソリッドスタイン(PRW)は、ワッサーシュタイン・プロジェクション(WPP)のロバストな変種であることを示す。本稿では,PRW距離の計算への第一歩として,その理論と実データに関する実験の関連について述べる。
論文参考訳（メタデータ） (2020-06-12T20:40:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。