introduce
在之前推论得到说GAN的最优化判别器,化简到最后发现是用JS散度去衡量
P
G
P_G
PG ,
P
d
a
t
a
P_{data}
Pdata之间的差距。但是
P
G
P_G
PG 和
P
d
a
t
a
P_{data}
Pdata在大多数情况下,是没有重合的。
原因:
-
高维空间中的低密度流行,重叠可以忽略不计
-
采样的数据并不一定会有重合
因此我们说:JS divergence 不是最适合的
为什么没有重合就不行呢,根据JS散度的特性,如果两个分布完全没有重叠的话,JS散度的值就是log2。直到有重叠值为0 。
JS divergence的缺陷在于
解决办法一:LSGAN
解决办法二——WGAN
思想介绍:
但是挖土的方法有很多
示例最好的moving plans
用矩阵来帮助计算
既然计算移动距离不容易,那么我们为什么需要怎么做呢
修改discriminator
需要加上限制函数
WGAN-GP
提升方法
连接data的交点形成一个Ppenalty
这样的方式也会出现问题
Spectrum Norm
WGAN的流程
EBGAN
也需要加入一个格外的限制