论文阅读《生成模型的评估》：A NOTE ON THE EVALUATION OF GENERATIVE MODELS

最新推荐文章于 2024-10-15 10:27:39 发布

weberyoung

最新推荐文章于 2024-10-15 10:27:39 发布

阅读量1k

点赞数

分类专栏：机器学习文章标签：机器学习概率论

本文链接：https://blog.csdn.net/qq_35692819/article/details/105999399

版权

这篇论文探讨了生成模型的评估问题，指出在高维数据中，平均对数似然、Parzen窗口估计和样本视觉保真度之间没有相关性。强调不能仅依赖单一指标评估模型，需要结合应用场景选择合适的评估方法。论文警告避免过度依赖Parzen窗口估计，并提出在图像生成等领域，图像保真度的主观评估更为重要。

摘要由CSDN通过智能技术生成

最近在做GAN相关的东西，导师推荐了一篇生成模型评估的文章，读一读当作笔记。
作者：LucasTheis∗ University of T¨ubingen 72072 T¨ubingen, Germany lucas@bethgelab.org
A¨aronvandenOord∗† Ghent University 9000 Ghent, Belgium aaron.vandenoord@ugent.be
MatthiasBethge University of T¨ubingen 72072 T¨ubingen, Germany matthias@bethgelab.org
发表会议：ICLR 2016

摘要

概率图模型在各种场合都有大范围应用，所以这些模型的形成、训练和评估存在很大的异质性（heterogeneity）也就很正常了，所以一般很难直接比较两个模型。本文测评了三个目前最常用的准则，average log-likelihood，Parzen window estimas，and visual fidelity of samples。当数据是高维的时候，这三个准则，没有任何相关性，是独立的，意思就是一个准则好，另一个不一定也好。
结论就是，不能从一个准则直接推断另一个在准则，需要根据不同的应用场景进行合适的评估，另外也说了尽量避免使用parzen窗估计。