概要: 生成モデルは、特に Generative Adversarial Networks (GANs) において、出力の多様性が不足しがちで、さまざまな変動の幅を持つ代わりに、類似したサンプルを頻繁に生成してしまうことが多い。 本論文は、Dempster–Shafer 証拠理論に基づく GAN の損失関数の新規な一般化を、生成器と識別器の双方に適用する形で提案する。 さらに、各画像ピクセルに対して質量関数を予測できるよう、生成器のアーキテクチャを強化する提案も行う。 この改変は、出力の不確実性を定量化し、この不確実性を活用して、より多様で代表的な生成を生み出すことを可能にする。 実験的証拠は、我々のアプローチが生成の多様性を向上させるだけでなく、生成過程における不確実性をモデリングし解釈するための原理的な枠組みを提供することを示している。
エピステミックな敵対的生成ネットワーク
arXiv cs.LG / 2026/3/20
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- この論文は、生成器と識別器の両方に対してデンプスター・シャーフ理論を用いてGAN損失を一般化し、トレーニングのダイナミクスと出力品質の向上を目指す。
- 生成器側のアーキテクチャの強化を追加し、画像ピクセルごとに質量関数を予測することで、出力の不確実性を明示的に定量化できるようにする。
- この不確実性を活用することにより、従来のGANと比較して生成の多様性が高まり、より代表的なサンプルを得られる。
- 実験結果は変動性の改善を示し、生成プロセスにおける不確実性をモデル化・解釈するための原理的な確率的フレームワークを提供する。
