Résumé
Les « Generative Adversarial Networks (GAN) » nécessitent de calculer un point selle, par une succession de minimisation et de maximisation, ce qui induit des instabilités numériques. De nombreuses variantes numériques ont été développées mais ces algorithmes ont tendance à mémoriser les données d’origine plutôt que de généraliser, ce qui limite considérablement les applications.
Une approche alternative par transport inversibles a été développé. Tout comme les GAN, le transport est appliqué à une donnée qui est la réalisation d’un bruit blanc Gaussien. Cette donnée est progressivement transformée par une succession de difféomorphismes paramétrés. Cela définit un transport inversible. Les paramètres sont optimisés en maximisant la vraisemblance de la distribution transportée, ce qui est équivalent de minimiser la distance de Kullback-Leibler entre la distribution transportée et celle des données.
