GAN은 생성기와 판별 기의 두 부분으로 구성되므로 GAN을 기능 추출기로 사용하는 두 가지 방법이 있습니다.
- Mikhail Yurasov가 제시 한 발전기 기반 방식.
- Kenny가 제시 한 차별 기반 방식.
두 번째 방법은 더 논쟁의 여지가 있습니다. 일부 연구 [1]는 판별 기의 목표가 생성 된 샘플을 실제 샘플과 구별하는 것이므로 직관적으로이 두 종류의 샘플의 차이에 초점을 맞출 것이라고 생각했습니다. 그러나 이해가되는 것은 다운 스트림 작업에서 사용되는 샘플 인 실제 샘플 간의 차이입니다.
나는 이것을 연구하려고 노력했는데 추출 된 특징이 두 개의 직교 부분 공간 으로 분해 될 수 있음을 발견했다 . 첫 번째 공간은 차별 작업에 기여하는 반면 두 번째 공간은 차별 작업에 기여합니다. 대부분의 경우, 실제 샘플과 생성 된 샘플을 구별하는 데 사용되는 기능은 노이즈이며, 두 번째 기능 공간에는 노이즈가 없습니다. 이러한 관점에서, 판별 기의 작업은 다운 스트림 작업에 유용한 실제 샘플 간의 차이에 초점을 맞추지 않지만 두 번째 부분 공간에 포함 된 무소음 기능은 작동합니다.
[1] Jost Tobias Springenberg. Caterical Generative Adversarial Networks를 통한 비지도 및 준지도 학습. arXiv : 1511.06390 [cs, stat], 2016 년 4 월. arXiv 사전 인쇄. arXiv : 1511.06390 [stat.ML]. 뉴욕 이타카 : 코넬 대학 도서관.