2017-12-11 週の日記

雑記

12/11（月）～12/17（日）の日記を書きます。

参加したイベント

https://rlarch.connpass.com/event/74265/（12/12）
  • スライドがアップされていました： GAN（と強化学習との関係） | PDF
  • 生成モデルって何だったっけ； 生成モデルは日本人の顔が出てくる箱。逆にこの箱をつくるには日本人の顔のデータが要る。生成モデルをつくるときに、「特徴量をニューラルネットに入れて出てくるものを取り出す」というやり方でつくろうとするのが VAE や GAN。ただし両者はこの箱の学習の仕方が異なる。
    • VAEは入力と出力の差が小さくなるようにエンコーダ+デコーダを学習して、デコーダに適当な値を入力すると模造データが出てくる。
      • ところでVAEは特徴量がガウス分布であることまで求めるのでしたっけ。
    • GANでは、まずジェネレータ G が乱数から模造データを生成して、ディスクリミネータ D がそれを模造データかどうか純正データか識別する。それを受けてジェネレータはディスクリミネータに純正データと識別してもらえるように模造データを純粋データに近づける。ディスクリミネータはそれでも識別できるようにする。その繰り返し。
      • MCMC のようだと思った； MCMC でいう標本分布＝模造データの分布で、MCMCでいう真の分布＝純正データの分布。
  • JSダイバージェンス：
  • 課題： D が未熟だと、 G は同じような模造データばかりつくってしまう。なので、 D の性能を十分上げておきたいが、といって完璧にしてしまうと、 G はネットワークの重みをどの方向に更新しても損失が変わらなくなってしまい、学習できなくなる。
  • 純正データは純正データ空間のとても局所的なところにしか存在しないので、 G がもともと上手い模造データをつくらないとほぼ交わらないというのも MCMC に似ている。それを解決するのがワッサースタイン距離。
  • GAN がよいかどうかの評価は、GANをつかう目的に照らし合わせてだと思った（GANそのものの研究についての論文ではもちろんGANだけで評価することが必要ですが）。
  • アクター・クリティックについて昔作成したスライド（この前頁が REINFORCE）：
  • 強化学習でいう「期待収益をよくすること」と GAN にとっての「純正データっぽい模造データを出すこと」はどうアナロジーなのか。強化学習での方策の期待収益を見極める＝GANの真贋を見極めるで、よい方策を求める＝精巧な模造品をつくるで、訊こうと思ったけどまあいいや。
Speee もくもく会（12/16）

また昼食をいただきました。ありがとうございました。

https://mockmock.connpass.com/event/74343/（12/17）

遅刻してしまいました。ありがとうございました。