BOLT-GAN：以贝叶斯最优判别重构GAN训练

论文用贝叶斯错误率上界重构GAN判别目标并提出BOLT-GAN

资讯摘要

论文从真伪分类的原始视角重新审视GAN训练，用贝叶斯错误率（BER）上界替代交叉熵判别器目标，提出BOLT损失并构建对抗博弈：判别器收紧该上界，生成器最大化它。作者刻画了无约束最优判别器，指出在类别先验均衡时总体博弈等价于最小化数据分布与生成分布的总变差；将判别器限制为1-Lipschitz即得BOLT-GAN，并给出其总体差异与Wasserstein-1距离的上界和下界关系。在四个图像生成基准的对照实验中，作者报告在相同架构、优化设置与梯度惩罚下，样本质量与覆盖优于WGAN-GP；20轮训练预算下CIFAR-10的FID由60.0降至44.2，LSUN Bedroom-64由102.5降至28.4。

要点速读

1. 用贝叶斯错误率上界替代交叉熵判别器目标，提出BOLT损失与对应对抗博弈
2. 均衡先验下总体博弈等价于最小化总变差；1-Lipschitz约束版本为BOLT-GAN，并给出与Wasserstein-1距离的界
3. 四个图像生成基准上作者报告优于WGAN-GP，20轮时CIFAR-10 FID 60.0→44.2、LSUN Bedroom-64 102.5→28.4

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。