人工智能 - 我们为什么使用D ( x ∣ y)D(x∣y)并不是D ( x , y)D(x,y)在条件生成对抗网络中？ - 吾爱随笔录

我们为什么使用D ( x ∣ y)D(x∣y)并不是D ( x , y)D(x,y)在条件生成对抗网络中？

人工智能神经网络机器学习生成对抗网络文件生成模型

2021-10-25 08:33:44

在条件生成对抗网络 (GAN)中，（两人极小极大游戏的）目标函数为

min_{G} max_{D} V (D, G) = E_{x \sim p_{data} (x)} [\log D (x | y)] + E_{z \sim p_{z} (z)} [\log (1 - D (G (z | y)))]

$\min _{G} \max _{D} V(D, G)=\mathbb{E}_{\boldsymbol{x} \sim p_{\text {data }}(\boldsymbol{x})}[\log D(\boldsymbol{x} | \boldsymbol{y})]+\mathbb{E}_{\boldsymbol{z} \sim p_{\boldsymbol{z}}(\boldsymbol{z})}[\log (1-D(G(\boldsymbol{z} | \boldsymbol{y})))]$

鉴别器和生成器都采用 $y$ ，辅助信息。

我对使用会有什么不同感到困惑 $\log D(x,y)$ 和 $\log(1-D(G(z,y))$ ，作为 $y$ 输入到 $D$ 和 $G$ 此外 $x$ 和 $z$ ?

1个回答

看起来您在询问使用条件概率和联合概率之间的区别。

联合概率

D (x, y)

$D(x,y)$ 是 x 和 y 同时发生的概率。

条件概率

D (x | y)

$D(x | y)$ 是假设y 已经发生，x 发生的概率。所以，

D (x, y) = D (y) * D (x | y)

$D(x,y) = D(y) * D(x | y)$ .

请注意，在 C-GAN 中，我们给出了一些额外的信息，例如类标签 $y$ . 实际上，我们根本不关心这些信息出现的可能性有多大。我们只关心它在给定的情况下出现的可能性有多大 $x$ 从源分布，与给定的出现的可能性相比 $z$ 从生成的分布。

如果你试图最小化联合概率，你将试图改变网络无法控制的东西（ $y$ 出现）。

其它你可能感兴趣的问题

上一篇对多个目标进行 A* 搜索时使用什么启发式方法？下一篇我应该使用蒙特卡罗还是分类器来解决这个决策问题？