Slience_me的博客

机器学习｜【机器学习合集】深度生成模型之GAN的评估

2024/01/02 机器学习 共 632 字，约 2 分钟

深度生成模型之GAN的评估

GAN评估问题

1. 评估指标的要求

  • 生成质量：能生成更为真实样本的模型应当得到更好的分数，评价指标给出的结构应当与人类感知一致

image-20240102165505273

  • 多样性：生成更具有多样性样本的模型应当得到更好的分数，评价模型过拟合、崩溃、简单记忆等问题

image-20240102165624316

  • 可控制性与理解性：若隐变量z有比较明确的“意义”甚至连续，则可控制z得到期望的样本，应该得到更好的评价

image-20240102165819904

2. 其他评估指标的要求

  • 有界性、复杂度、语义不变性、变换敏感

image-20240102165937131

定量评估指标

1. GAN train/ GAN test

  • 通过数据集的划分进行评估

image-20240102170119947

2. Inception分数

  • 使用熵对样本的质量进行评估

image-20240102170215833

image-20240102170242470

  • 综合质量和多样性

image-20240102170340383

3. Inception分数的缺陷与改进

  • IS只考虑生成器的分布p_g而忽略数据集的分布p_data，无法检测生成器过拟合问题，可能会鼓励模型只学习清晰和多样化图像

image-20240102170548137

  • M-IS(Modifified Inception Score): 关注了类内模式崩溃的问题

image-20240102170714840

  • 物体类别分布以及模型能力

image-20240102170753376

4. Frechet Inception Distance

  • 计算生成样本和真实样本的CNN特征构成的两个高斯分布的弗雷歇距离

image-20240102170928484

image-20240102170951947

5. Kernel MMD(Kernel Maximum Mean Discrepancy)

  • 核最大均值差异，选择一个核函数k(x,y)，计算样本距离

image-20240102171104754

6. Wasserstein Distance

  • 使用一个已经训练好的判别器D(x)对真实样本输出高预测值，假样本输出低预测值

image-20240102171217776

7. 1-最近邻分类器

  • 通过判定出p_data和p_g是否相等

image-20240102171315596

注：部分内容来自阿里云天池

文档信息

Search

    Table of Contents