Как оптимизировать генеративные состязательные сети: новый обзор методов

Авторы статьи провели всесторонний анализ методов поиска нейронной архитектуры (NAS) для генеративных состязательных сетей (GAN). Они классифицировали и сравнили разные подходы — с учётом стратегий поиска, показателей оценки и результатов работы. В обзоре показано, что NAS помогает повысить производительность, стабильность и результативность GAN. Авторы выделили сильные стороны эволюционных алгоритмов и методов, основанных на градиентах, а также указали на важность использования новых показателей оценки (помимо традиционных, вроде начального балла (IS) и начального расстояния Фреше (FID)) и разнообразных наборов данных для проверки эффективности GAN. Работа поможет исследователям создать более совершенные методы NAS и продвинуть область GAN вперёд.