論文の概要: Information Compensation for Deep Conditional Generative Networks

• arxiv url: http://arxiv.org/abs/2001.08559v3
• Date: Sun, 6 Mar 2022 07:28:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 10:03:07.868234
• Title: Information Compensation for Deep Conditional Generative Networks
• Title（参考訳）: 深層条件生成ネットワークにおける情報補償
• Authors: Zehao Wang, Kaili Wang, Tinne Tuytelaars, Jose Oramas
• Abstract要約: 我々は、新しい情報補償接続(IC-Connection)を用いた教師なし条件付きGANのための新しい構造を提案する。 提案したIC-Connectionにより、GANはデコンボリューション操作中に発生する情報損失を補償することができる。 実験結果から,本手法は条件付き生成環境において,最先端のGANと比較して,より不整合性が高いことが示唆された。
• 参考スコア（独自算出の注目度）: 38.054911004694624
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, unsupervised/weakly-supervised conditional generative adversarial networks (GANs) have achieved many successes on the task of modeling and generating data. However, one of their weaknesses lies in their poor ability to separate, or disentangle, the different factors that characterize the representation encoded in their latent space. To address this issue, we propose a novel structure for unsupervised conditional GANs powered by a novel Information Compensation Connection (IC-Connection). The proposed IC-Connection enables GANs to compensate for information loss incurred during deconvolution operations. In addition, to quantify the degree of disentanglement on both discrete and continuous latent variables, we design a novel evaluation procedure. Our empirical results suggest that our method achieves better disentanglement compared to the state-of-the-art GANs in a conditional generation setting.
• Abstract（参考訳）: 近年、教師なし/弱教師付き条件付き生成対向ネットワーク(GAN)は、データモデリングと生成のタスクにおいて多くの成功を収めている。 しかし、その弱点の1つは、その潜在空間で符号化された表現を特徴づける異なる要因を分離、あるいは分離する能力の不足にある。 本稿では,新しい情報補償接続(IC-Connection)を用いた教師なし条件付きGANのための新しい構造を提案する。 提案したIC-Connectionにより、GANはデコンボリューション操作中に発生する情報損失を補償することができる。 さらに, 離散変数と連続変数の両方の絡み合いの程度を定量化するために, 新たな評価手順を設計する。 提案手法は,条件付き生成環境において,最先端のgansと比較して,より良い絡み合いを実現することを示唆する。

関連論文リスト

• Conditional Idempotent Generative Networks [0.0]
  The Conditional Idempotent Generative Networks (CIGN) is a novel approach that expand on Idempotent Generative Networks (IGN) to enable conditional generation。 CIGNは条件付け機構を組み込むことでこの制限に対処し、ユーザーは特定のタイプのデータに対して生成プロセスを制御できる。
  論文  参考訳（メタデータ） (2024-06-05T01:31:50Z)
• MTS-DVGAN: Anomaly Detection in Cyber-Physical Systems using a Dual Variational Generative Adversarial Network [7.889342625283858]
  深層生成モデルは、ラベル付き情報に頼ることなく、サイバー物理システム(CPS)の脆弱性を軽減し、新しいサイバー物理攻撃を検出することを約束している。 本稿では、MST-DVGANという、教師なし二重変分生成対向モデルを提案する。 中心となる概念は、再構成された異常サンプルと正常なサンプルとの区別を広げることで、モデルの識別能力を高めることである。
  論文  参考訳（メタデータ） (2023-11-04T11:19:03Z)
• Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
  GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。 本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-22T15:32:59Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• NOTMAD: Estimating Bayesian Networks with Sample-Specific Structures and Parameters [70.55488722439239]
  提案するNOTMADは,サンプルコンテキストに応じてアーキティパルネットワークの混合を学習する。 患者固有の遺伝子発現ネットワークを含む分析および実験を通じて,NOTMADとサンプル特異的ネットワーク推論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-11-01T17:17:34Z)
• Inferential Wasserstein Generative Adversarial Networks [9.859829604054127]
  自動エンコーダとWGANを融合する原理的フレームワークである新しい推論ワッサースタインGAN(iWGAN)モデルを導入する。 iWGANはモード崩壊の症状を大幅に緩和し、収束を高速化し、各サンプルの品質チェックの測定を行うことができる。
  論文  参考訳（メタデータ） (2021-09-13T00:43:21Z)
• Are conditional GANs explicitly conditional? [0.0]
  本稿では,条件付きジェネレーティブ・アドバイザリ・ネットワーク(cGAN)に対する2つのコントリビューションを提案する。 最初の主な貢献は、cGANの分析であり、それらが明示的に条件付きでないことを示すものである。 第2のコントリビューションは、アコントラリオと呼ばれる新しい手法であり、敵アーキテクチャの両部分の条件性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2021-06-28T22:49:27Z)
• HGAN: Hybrid Generative Adversarial Network [25.940501417539416]
  本稿では,自己回帰モデルを用いてデータ密度推定を行うハイブリッド生成逆数ネットワーク(HGAN)を提案する。 GAN定式化における新しい深層構造は、単純なGANトレーニング手法に加えて、自己回帰モデル情報を逆向きに蒸留するために開発されている。
  論文  参考訳（メタデータ） (2021-02-07T03:54:12Z)
• Estimating the Effects of Continuous-valued Interventions using Generative Adversarial Networks [103.14809802212535]
  我々は,連続的評価介入の効果を推定する問題に対処するため,GAN(Generative Adversarial Network)フレームワークを構築した。 我々のモデルであるSCIGANは柔軟であり、いくつかの異なる継続的な介入に対する対実的な結果の同時推定が可能である。 継続的な介入に移行することによって生じる課題に対処するために、差別者のための新しいアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T18:46:21Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。