Creo que ya he averiguado cómo darle la etiqueta one-hot a los ejemplos que vienen de la distribución normal.
Aparentemente, los autores no usan una sóla distribución normal para generar los ejemplos positivos para el discriminador, sino que usan una mixtura de Gaussianas. El artículo está hecho para MNIST, así que usan una mixtura de 10 componentes.
Creo que puedes hacer algo parecido: si estás con CIFAR-10, usa una mixtura de 10 componentes, y saca los puntos positivos de ahí. A la hora de generar el vector one-hot para esos ejemplos, usa el índice de la mixtura de donde saques el punto.
Por ejemplo, si sacas un ejemplo de la mixtura 0, el vector one-hot debería ser [1,0,0,0,0,0,0,0,0,0]. En cuanto a cómo elegir de qué componente sampleas, creo que debería ser al azar
Creo que ya he averiguado cómo darle la etiqueta one-hot a los ejemplos que vienen de la distribución normal.
Aparentemente, los autores no usan una sóla distribución normal para generar los ejemplos positivos para el discriminador, sino que usan una mixtura de Gaussianas. El artículo está hecho para MNIST, así que usan una mixtura de 10 componentes.
Creo que puedes hacer algo parecido: si estás con CIFAR-10, usa una mixtura de 10 componentes, y saca los puntos positivos de ahí. A la hora de generar el vector one-hot para esos ejemplos, usa el índice de la mixtura de donde saques el punto.
Por ejemplo, si sacas un ejemplo de la mixtura 0, el vector one-hot debería ser [1,0,0,0,0,0,0,0,0,0]. En cuanto a cómo elegir de qué componente sampleas, creo que debería ser al azar