Cómo hacer un GAN en el que el orden de las filas no importa

Question

Estoy trabajando en un proyecto que tiene como objetivo generar "recetas" que son la suma de "ingredientes" (tensores de longitud N de 1 dimensión, donde cada índice es un valor que representa la cantidad de una característica que tiene este ingrediente).

Mi plan actual para cada receta es tener un tensor 2d hecho con los ingredientes 1d:

[[ingrediente 1],

[ingrediente 2],

   ...

[ingrediente K]]

Un problema es que cada receta tiene un número variable de ingredientes. Mi solución prevista era añadir ingredientes vacíos para completar la longitud de las recetas para que sean todas iguales, pero se agradecerían los comentarios al respecto.

El objetivo es que el generador aprenda qué combinaciones de características van juntas y en qué cantidades. La cuestión es que el orden de estos ingredientes no importa. Si no necesitara los ingredientes en sí, lo entrenaría con la suma de todos los ingredientes por receta.

¿Cuál es la mejor manera de abordar esto? Mi primer instinto es aleatorizar el orden de los ingredientes y entrenar con todas las combinaciones posibles, pero no conozco lo suficiente el funcionamiento de las GAN para saber si esto sería un mal enfoque.

Se agradecerá cualquier comentario o enlace a trabajos relacionados, gracias

Answer 1

La longitud variable con invariancia de permutación para las redes generativas es muy difícil y ningún método que yo conozca aborda ambas cosas al mismo tiempo con una buena tasa de éxito.

Si sólo se necesitan salidas de longitud variable, se utilizan las RNN para la dimensión temporal y las CNN para la dimensión espacial.

Sin embargo, en su caso, ¿hay algo que le impida emitir un único vector muy grande, en el que cada índice corresponda a un ingrediente? Eso solucionaría el problema de la permutación.

Por ejemplo, si tiene 32 ingredientes con 3 atributos cada uno, podría obtener 3 vectores de tamaño 32. Los ingredientes que faltan se pueden establecer como 0 en todos los atributos.