グラフ情報を取り入れた敵対的モデリング: インフィマルなサブ加法性を持つ補間的発散

概要: 私たちは、ターゲット分布が既知のベイズネットワークに従って因子分解される場合の敵対的学習を研究します。補間的発散（(f,\Gamma)-発散を含む）について、適切な条件の下で、グラフに沿って整列したファミリーレベルの差異の平均によって全体の変分的不一致が制御されることを示す新しい infimal subadditivity 原理を証明します。加法的な領域では、この代理量は厳密です。これは、グラフ非依存の GAN を、グラフ情報を取り入れた GAN として置換し、局所化されたファミリーレベルの識別器を備えることの変分的正当化を提供します。この結果は、最適化子自体がグラフに従って因子分解することを要求しません。私たちはまた、積分確率距離（IPMs）および近接的最適輸送発散に対する並行した結果を得て、理論が適用される自然な識別器クラスを特定し、グラフ非依存のベースラインと比較して安定性と構造回復が向上する実験を示します。