論文の概要: Kernel of CycleGAN as a Principle homogeneous space

• arxiv url: http://arxiv.org/abs/2001.09061v1
• Date: Fri, 24 Jan 2020 15:47:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-07 04:50:26.886350
• Title: Kernel of CycleGAN as a Principle homogeneous space
• Title（参考訳）: 原理均質空間としてのCycleGANの核
• Authors: Nikita Moriakov, Jonas Adler, Jonas Teuwen
• Abstract要約: 正確な解空間は、基礎となる確率空間の自己同型に対して不変であることを示す。 ニューラルネットワークが予期せぬ結果と望ましくない結果でこれらの自己同型を学習できるという実証的な証拠を提供する。
• 参考スコア（独自算出の注目度）: 8.789687994284959
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unpaired image-to-image translation has attracted significant interest due to the invention of CycleGAN, a method which utilizes a combination of adversarial and cycle consistency losses to avoid the need for paired data. It is known that the CycleGAN problem might admit multiple solutions, and our goal in this paper is to analyze the space of exact solutions and to give perturbation bounds for approximate solutions. We show theoretically that the exact solution space is invariant with respect to automorphisms of the underlying probability spaces, and, furthermore, that the group of automorphisms acts freely and transitively on the space of exact solutions. We examine the case of zero `pure' CycleGAN loss first in its generality, and, subsequently, expand our analysis to approximate solutions for `extended' CycleGAN loss where identity loss term is included. In order to demonstrate that these results are applicable, we show that under mild conditions nontrivial smooth automorphisms exist. Furthermore, we provide empirical evidence that neural networks can learn these automorphisms with unexpected and unwanted results. We conclude that finding optimal solutions to the CycleGAN loss does not necessarily lead to the envisioned result in image-to-image translation tasks and that underlying hidden symmetries can render the result utterly useless.
• Abstract（参考訳）: 画像間の不対向変換は、対向的データとサイクル整合性損失の組み合わせを利用してペアデータの必要性を回避するCycleGANの発明により、大きな関心を集めている。 サイクルGAN問題には複数の解が存在することが知られており、本論文の目標は、正確な解の空間を分析し、近似解に対する摂動境界を与えることである。 理論上、正確な解空間は基礎となる確率空間の自己同型に関して不変であり、さらに、自己同型群が正確な解空間上で自由かつ推移的に作用することを示す。 まず, 一般性において「純」サイクルGAN損失ゼロの場合について検討し, その後, アイデンティティ損失項を含む「拡張」サイクルGAN損失の近似解へと解析を拡張した。 これらの結果が適用可能であることを示すために、軽度条件下では非自明な滑らかな自己同型が存在することを示す。 さらに、ニューラルネットワークが予期せぬ結果と望ましくない結果でこれらの自己同型を学習できるという実証的な証拠を提供する。 我々は、CycleGANの損失に対する最適解を見つけることは、画像から画像への変換タスクにおいて想定された結果につながるとは限らないと結論づける。

関連論文リスト

• MissNODAG: Differentiable Cyclic Causal Graph Learning from Incomplete Data [13.006241141102]
  周期因果グラフを学習するためのフレームワークであるMissNODAGを提案する。 提案フレームワークは,付加雑音モデルと予測最大化処理を統合し,出力不足値の交互化と観測データの可能性の最適化を行う。 合成実験によるMissNODAGの有効性と実世界の遺伝子摂動データへの応用を実証する。
  論文  参考訳（メタデータ） (2024-10-24T17:09:10Z)
• Kernel-Based Differentiable Learning of Non-Parametric Directed Acyclic Graphical Models [17.52142371968811]
  因果発見は因果モデルを符号化する有向非巡回グラフ (DAG) を学ぶことに相当する。 近年の研究では、因果発見を連続最適化問題として再検討し、探索を回避しようとしている。
  論文  参考訳（メタデータ） (2024-08-20T16:09:40Z)
• On the Correctness of the Generalized Isotonic Recursive Partitioning Algorithm [9.482025609011123]
  本稿では, 一般等速再帰分割法 (GIRP) アルゴリズムを, 分離凸損失下での等速モデルの適合性について詳細に解析する。 GIRPアルゴリズムは、アルゴリズムの各ステップにおいて、中間解が等調性制約を満たすような魅力的な特徴を示す。 GIRP の小さな修正は正しい解を得るのに十分であり、すべての中間解が等方性であることの望ましい性質を保っている。
  論文  参考訳（メタデータ） (2024-01-09T23:17:05Z)
• Learning Linear Causal Representations from Interventions under General Nonlinear Mixing [52.66151568785088]
  介入対象にアクセスできることなく、未知の単一ノード介入を考慮し、強い識別可能性を示す。 これは、ディープニューラルネットワークの埋め込みに対する非ペアの介入による因果識別性の最初の例である。
  論文  参考訳（メタデータ） (2023-06-04T02:32:12Z)
• Marginal Thresholding in Noisy Image Segmentation [3.609538870261841]
  損失関数に対する最適解は、ノイズのレベルが増加するにつれて、ソフトディースとクロスエントロピーが分岐する。 これにより, クロスエントロピーをソフトディスと比較した場合のパフォーマンス低下は, 間違ったしきい値を用いることによって引き起こされるのかという疑問が持ち上がる。
  論文  参考訳（メタデータ） (2023-04-08T22:27:36Z)
• Uncovering the Over-smoothing Challenge in Image Super-Resolution: Entropy-based Quantification and Contrastive Optimization [67.99082021804145]
  我々はDetail Enhanced Contrastive Loss (DECLoss)と呼ばれるCOO問題に対する明確な解決策を提案する。 DECLossはコントラスト学習のクラスタリング特性を利用して、潜在的な高分解能分布の分散を直接的に低減する。 我々は複数の超高解像度ベンチマーク上でDECLosを評価し,PSNR指向モデルの知覚品質を向上させることを実証した。
  論文  参考訳（メタデータ） (2022-01-04T08:30:09Z)
• Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
  ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。 本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。 他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。 驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
  論文  参考訳（メタデータ） (2021-10-21T07:28:11Z)
• On the Stability Properties and the Optimization Landscape of Training Problems with Squared Loss for Neural Networks and General Nonlinear Conic Approximation Schemes [0.0]
  ニューラルネットワークと一般的な非線形円錐近似スキームの2乗損失を伴うトレーニング問題の最適化景観と安定性特性について検討する。 これらの不安定性に寄与する同じ効果が、サドル点や急激な局所ミニマの出現の原因でもあることを証明している。
  論文  参考訳（メタデータ） (2020-11-06T11:34:59Z)
• Differentiable Causal Discovery from Interventional Data [141.41931444927184]
  本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。 提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
  論文  参考訳（メタデータ） (2020-07-03T15:19:17Z)
• Convex Geometry and Duality of Over-parameterized Neural Networks [70.15611146583068]
  有限幅2層ReLUネットワークの解析のための凸解析手法を開発した。 正規化学習問題に対する最適解が凸集合の極点として特徴づけられることを示す。 高次元では、トレーニング問題は無限に多くの制約を持つ有限次元凸問題としてキャストできることが示される。
  論文  参考訳（メタデータ） (2020-02-25T23:05:33Z)
• 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。