본 논문은 다양한 생성적 적대 신경망(GAN) 작업에서 성능을 향상시키는 통합 접근 방식을 개발하는 데 중점을 둡니다. 기존 연구에서 감독 학습 환경에서 유해한 훈련 인스턴스를 성공적으로 식별했지만, GAN에는 적용하기 어려운 한계가 있었습니다. 기존 접근 방식은 훈련 인스턴스의 부재가 모델 파라미터에 직접 영향을 미치고 손실 변화가 인스턴스의 유해성을 직접적으로 정량화한다고 가정하지만, GAN에서는 훈련 인스턴스가 생성자 파라미터에 직접 영향을 미치지 않고 일반적인 GAN 손실 함수가 생성 성능을 항상 반영하지 않기 때문입니다. 본 논문에서는 생성자의 기울기의 자코비안을 이용하여 유해한 훈련 인스턴스를 식별하는 방법을 제안합니다. 구체적으로, 생성자와 판별자 파라미터 간의 간접적 영향을 나타내는 자코비안을 사용하여 인스턴스 제거가 생성자 파라미터에 미치는 영향을 추정합니다. 또한, Inception Score와 같은 GAN 평가 지표의 변화를 기반으로 각 훈련 인스턴스의 유해성을 측정하는 인스턴스 평가 방식을 제안합니다. 실험 결과, 식별된 유해한 인스턴스를 제거함으로써 다양한 GAN 평가 지표에서 생성 성능이 향상됨을 보여줍니다.
