본 논문은 Rényi 측도를 사용하는 생성적 적대 신경망인 α-GAN을 제안합니다. 판별자가 샘플의 출처(진짜 데이터 또는 생성된 데이터)를 판단하는 소프트 의사결정에 따른 기대 확실성 척도로 Rényi 교차 엔트로피를 사용하여 값 함수를 공식화합니다. 판별자는 샘플 출처에 대한 Rényi 확실성을 극대화하려고 시도하고, 생성자는 가짜 샘플을 주입하여 이를 줄이려고 합니다. 이는 Rényi 차수 α로 매개변수화된 해를 갖는 min-max 문제를 형성합니다. α = 1일 때 α-GAN은 일반 GAN으로 축소되며, 값 함수는 이진 교차 엔트로피와 정확히 일치합니다. α-GAN의 최적화는 확률(벡터) 공간에서 이루어집니다. Rényi 차수가 α ∈ (0, 1) 범위에 있을 때 기울기가 기하급수적으로 확대됨을 보여줍니다. 이는 실험 결과에서 확인된 것처럼 수렴 속도를 높입니다. 논의를 통해 α ∈ (0, 1)을 선택하면 사라지는 기울기와 같은 일반적인 문제를 해결할 수 있음을 보여줍니다. 후속 관찰은 이 범위가 기존 Rényi 버전 GAN에서 완전히 탐색되지 않았음을 보여줍니다.