논문 리뷰
Generative Adversarial Nets (GAN) 증명
HTML 삽입 미리보기할 수 없는 소스 4. Theoretical Results $\min\limits_{G}\max\limits_{D}V(D,G)=\mathbb{E}{x\sim p{data}(x)}[logD(x)]+\mathbb{E}{z\sim p{z}(z)}[log(1-D(G(z)))]$ $G$는 $z \sim p_z$를 만족하는 $z$에서 얻을 수 있는 $G(z)$값 들의 확률 분포인 $p_g$를 암묵적으로 정의할 수 있다. 따라서 만약에 충분한 용량과 훈련 시간이 주어진다면 아래에서 말하는 알고리즘 1이 $p_{data}$의 값을 추정하는데 좋다. 우리는 확률 밀도 함수 공간 안에서 수렴하는 것을 확인하기 위해서 해당 모델이 용량을 무한정 가지고 있다고 가정한다. 즉 이 절의 결과는 매개변수가 없..
논문 리뷰
Generative Adversarial Nets(GAN) 리뷰
HTML 삽입 미리보기할 수 없는 소스 0. Abstract 이 논문에서는 적대적 방식을 통해서 생성 모델을 추정하는 새로운 framework를 제안 이 framework에서는 두개의 model을 동시에 훈련한다. $G$ : generative model 기존에 있는 실제 데이터를 모방한다. $D$ : discriminative model $G$가 생성한 데이터가 실제 데이터랑 얼마나 비슷한지 확률을 추정한다. 이 framework의 목표는 $G$가 생성한 데이터를 $D$가 구분을 못하는 확률을 최대화 하는 것이다. 즉 $D$의 역할은 실제와 가짜를 구분하는 역할인데, $G$가 만든 데이터가 실제라고 생각하는 확률을 최대화 하는 것이 목표이다. 해당 framework는 각각 두명의 사용자의 최대최소를 서..
