.png){kind=icon}
返回
Generalization bounds for a generator-regularized InfoGAN-inspired adversarial objective
.png){kind=icon}
OA
AI
DOI：10.3389/frai.2026.1731256.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
信息最大化生成对抗网络（InfoGAN）可以表述为一个涉及生成器和判别器的极小极大问题，并附加一个互信息正则化项。尽管InfoGAN型目标具有强大的经验性能，但其严格泛化保证仍然有限，尤其是在引入额外的结构组件时。本文研究了一种受InfoGAN启发的对抗框架，通过移除潜在代码组件并在生成器上引入显式正则化项，得到一个可解析处理的生成器正则化对抗目标。我们通过分析判别器、生成器及其组合的经验与总体目标函数之间的差距，利用Rademacher复杂度论据建立了泛化误差界。所得界限揭示了相对于判别器和生成器样本大小的n^{-1/2}和m^{-1/2}衰减率，并阐明了生成器正则化参数的作用。该理论进一步专门用于具有Lipschitz连续和非递减激活函数的两层神经网络，推导出显式的基于熵的复杂度界。在CIFAR-10数据集上的实验验证了预测的缩放行为，并表明随着样本量增加，泛化间隙系统地减小，突显了生成器正则化的稳定作用。总体而言，这项工作为具有显式生成器正则化的InfoGAN型对抗目标提供了首批严格的泛化分析之一。
Keyword:
generalization error
generative adversarial networks
neural networks
Rademacher complexity
regularization
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
F
IF:
4.7
论文数:
2.5K
被引数:
4.4K
机构
引用论文
A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications生成对抗网络研究综述: 算法、理论与应用
OAAI
OAAI分享收藏分享收藏Unpaired Image-to-Image Translation Using Cycle-Consistent Adversarial Networks使用循环一致的对抗网络进行不成对的图像到图像的翻译OAAI
OAAI分享收藏The impact of awareness diffusion on SIR-like epidemics in multiplex networks意识扩散对多路复用网络中类SIR流行病的影响
PREAI
分享收藏Generative adversarial network in medical imaging: A review医学影像中的生成对抗网络: 综述.png)
MEDICAL IMAGE ANALYSISOAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏CHAIN: enhancing generalization in data-efficient GANs via lipsCHitz continuity constrAIned normalizationCHAIN：通过李普希茨连续性约束归一化增强数据高效GAN的泛化能力
IF0
PREAI
分享收藏Generalization error property of infoGAN for two-layer neural network信息生成对抗网络（infoGAN）在两层神经网络中的泛化误差特性
IF0
PREAI
分享收藏
查看更多内容