Модифицированный метод оценки качества генеративно-состязательных нейронных сетей

Актуальной проблемой является оценка эффективности и качества произвольных генеративно-состязательных нейронных сетей (GAN). В настоящее время приемлемые результаты получены только для сетей, генерирующих изображения определённого формата и размеров. Остальные типы и структуры данных возможно оценивать исключительно экспертным методом, недостатком которого является субъективность, низкая производительность, невозможность автоматизации обработки больших объемов информации. В ходе анализа существующих подходов к оценке эффективности GAN определены наиболее распространенные метрики, среди которых необходимо отметить Inception Score и Fréchet Inception Distance. Однако, данные метрики не могут быть использованы для оценки GAN, генерирующих объекты, отличных от изображений определенного формата. Это обусловлено спецификой нейронных сетей, используемых для расчета данных метрик. Поэтому в работе предлагается модифицированный метод оценки качества GAN, основанный на метрике Inception Score, отличающийся использованием произвольного классификатора для расчета расстояния Кульбака-Лейблера, что обеспечивает возможность анализа качества генерации произвольных объектов. Представлено математическое описание методов оценки качества GAN и внесенных модификаций. Проведены практические эксперименты на нескольких известных наборах данных: графических (MNIST) и численных (Human Activity Recognition Using Smartphones, Epileptic Seizure Recognition). Для каждого набора осуществлена апробация разработанного модифицированного метода оценки GAN. Полученные результаты подтверждают возможность применения метода для оценки произвольных наборов данных. Использование полученных теоретических и практических результатов при реализации и обучении GAN позволит повысить качество сгенерированных нейронными сетями образцов, автоматизировать процесс их оценки.