Cet article propose une méthode sans vraisemblance pour comparer deux distributions, à partir d'échantillons tirés des deux distributions, afin d'évaluer la qualité des modèles génératifs. La méthode proposée, PQMass, offre une méthode statistiquement rigoureuse pour évaluer les performances d'un modèle génératif unique ou comparer plusieurs modèles concurrents. PQMass divise l'espace d'échantillonnage en régions non chevauchantes et applique un test du khi-deux au nombre d'échantillons de données dans chaque région. Cela produit une valeur p, qui mesure la probabilité que les coefficients de la distribution binomiale dérivés de deux ensembles d'échantillons soient tirés de la même distribution multinomiale. PQMass ne repose pas sur des hypothèses concernant la densité de la distribution réelle, ni sur l'apprentissage ou l'ajustement de modèles auxiliaires. Nous évaluons PQMass sur des données de différents modes et dimensions, démontrant son efficacité pour évaluer la qualité, la nouveauté et la diversité des échantillons générés. De plus, nous démontrons que PQMass s'adapte bien aux données de dimension moyennement élevée, ce qui suggère que l'extraction de caractéristiques est inutile dans les applications pratiques.
