¿El objetivo de un autoencoder variacional y una red de confrontación generativa es el mismo?

Tanto los VAE como las GAN pertenecen a la categoría de modelos generativos profundos que son una categoría de modelos que se aprenden a través del principio de máxima probabilidad de diferencia con respecto a cómo representan o aproximan la probabilidad. Los VAE [1] se encuentran en la rama izquierda de este árbol taxonómico, ya que construyen una densidad explícita,
[matemática] P_ {modelo} (x [/ matemática] [matemática] {;} \ theta) \\ [/ matemática] y, por lo tanto, una probabilidad explícita que se puede maximizar. Por otro lado, las redes adversas generativas (GAN) se encuentran en la rama derecha del árbol, ya que representan explícitamente una distribución de probabilidad sobre el espacio donde se encuentran los datos. En cambio, el modelo proporciona alguna forma de interactuar menos directamente con esta distribución de probabilidad. Típicamente, el medio indirecto de interactuar con la distribución de probabilidad es la capacidad de extraer muestras de ella. Si bien los modelos utilizados para las GAN a veces se pueden construir para definir una densidad explícita, el algoritmo de entrenamiento para las GAN solo utiliza la capacidad del modelo para generar muestras. Por lo tanto, las GAN se entrenan usando la estrategia desde la hoja más a la derecha del árbol: usando un modelo implícito que muestrea directamente de la distribución representada por el modelo.

Por lo tanto, depende de su objetivo, si es

1. “Simplemente genera nuevas muestras similares a los datos de entrada” y luego: Sí, tienen objetivos similares.
2. Si se trata de construir una representación comprimida de su modelo siguiendo una distribución particular como en la distribución normal estándar y luego muestrear desde ese espacio latente y trabajar con su decodificador para generar muestras similares al espacio de entrada, entonces es: ” No, son muy diferente “.
3. Si es alternativamente entrenar dos redes donde una de ellas aprende a identificar si las muestras insertadas provienen de la distribución de datos original o si provienen de una red adversaria que está aprendiendo simultáneamente a generar muestras de aspecto realista: “No, definitivamente no”.

Notas al pie

[1] https://arxiv.org/pdf/1701.00160 …