Fugu-MT 論文翻訳(概要): Reproducibility Challenge NeurIPS 2019 Report on "Competitive Gradient Descent"

論文の概要: Reproducibility Challenge NeurIPS 2019 Report on "Competitive Gradient Descent"

arxiv url: http://arxiv.org/abs/2001.10820v1
Date: Sun, 26 Jan 2020 11:51:38 GMT
ステータス: 処理完了
システム内更新日: 2023-01-06 19:27:17.181971
Title: Reproducibility Challenge NeurIPS 2019 Report on "Competitive Gradient Descent"
Title（参考訳）: Reproducibility Challenge NeurIPS 2019 Report on "Competitive Gradient Descent" に参加して
Authors: Gopi Kishan
Abstract要約: 本稿では,競合する2プレーヤゲームのナッシュ平衡の数値計算のための新しいアルゴリズムを提案する。本報告の目的は、NeurIPS 2019 Reproducibility Challengeの枠組みの中で、(Schaferらによる)作業の勾配を批判的に調べることである。
参考スコア（独自算出の注目度）: 6.85316573653194
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This is a report for reproducibility challenge of NeurlIPS 2019 on the paper Competitive Gradient Descent (Schafer et al., 2019). The paper introduces a novel algorithm for the numerical computation of Nash equilibria of competitive two-player games. It avoids oscillatory and divergent behaviours seen in alternating gradient descent. The purpose of this report is to critically examine the reproducibility of the work by (Schafer et al., 2019), within the framework of the NeurIPS 2019 Reproducibility Challenge. The experiments replicated in this report confirms the results of the original study. Moreover, this project offers a Python (Pytorch based) implementation of the proposed CGD algorithm which can be found at the following public git repository: (https://github.com/GopiKishan14/Reproducibility_Challenge_NeurIPS_2019)
Abstract（参考訳）: これは、Competitive Gradient Descent (Schafer et al., 2019)という論文で、NeirrIPS 2019の再現性の課題に関するレポートである。本稿では,競合する2プレーヤゲームのナッシュ平衡の数値計算のための新しいアルゴリズムを提案する。交互勾配降下に見られる振動と発散の挙動を避ける。本報告の目的は、NeurIPS 2019 Reproducibility Challengeの枠組みの中で、(Schaferらによる)作業の再現性について批判的に検証することである。本報告で再現した実験は,本研究の結果を裏付けるものである。さらに、このプロジェクトは提案されたCGDアルゴリズムのPython(Pytorchベース)実装を提供しており、以下の公開gitリポジトリで見ることができる。

関連論文リスト

A request for clarity over the End of Sequence token in the Self-Critical Sequence Training [69.3939291118954]
本研究は,問題自体の認識を広げることによって問題を解決することを提案する。特に、私たちは、SacreEOSというライブラリの助けを借りて、シンプルで情報的な署名を共有するために、将来的なワークスを招待します。
論文参考訳（メタデータ） (2023-05-20T18:01:47Z)
Bandits for Structure Perturbation-based Black-box Attacks to Graph Neural Networks with Theoretical Guarantees [60.61846004535707]
グラフニューラルネットワーク(GNN)は多くのグラフベースのタスクで最先端のパフォーマンスを達成した。攻撃者はグラフ構造をわずかに摂動させることでGNNモデルを誤解させることができる。本稿では,構造摂動を伴うGNNに対するブラックボックス攻撃と理論的保証について考察する。
論文参考訳（メタデータ） (2022-05-07T04:17:25Z)
Planning and Learning with Adaptive Lookahead [74.39132848733847]
ポリシーイテレーション(PI)アルゴリズムは、欲求の一段階の改善と政策評価を交互に行う。近年の文献では、複数段階のルックアヘッドポリシーの改善が、イテレーション毎の複雑さの増加を犠牲にして、よりコンバージェンス率の向上につながることが示されている。本研究では,多段階の地平線を状態と推定値の関数として動的に適応する手法を初めて提案する。
論文参考訳（メタデータ） (2022-01-28T20:26:55Z)
5th Place Solution for VSPW 2021 Challenge [29.246666942808673]
本稿では,VSPW 2021 Challengeで使用したソリューションを紹介する。実験はSwin TransformerとMaskFormerの2つのベースラインモデルに基づいている。外部セグメンテーションデータセットを使わずに、私たちのソリューションはプライベートリーダーボードで5位にランクインしました。
論文参考訳（メタデータ） (2021-12-13T02:27:05Z)
Deep Synoptic Monte Carlo Planning in Reconnaissance Blind Chess [0.0]
本稿では,大容量不完全情報ゲームのためのDeep Synoptic Monte Carlo Planning(DSMCP)を紹介する。アルゴリズムは、未重み付き粒子フィルタで信念状態を構築し、信念状態から始まるプレイアウトを計画する。このアルゴリズムは、情報状態の新たな抽象化である「シナプス」を推論することで不確実性を説明できる。
論文参考訳（メタデータ） (2021-10-05T03:58:10Z)
Efficient Non-linear Calculators [0.0]
ディジタルハードウェア上でスムーズな非線形性を生成するための新しいアルゴリズムを提案する。整数(および固定点)の実装はASICまたはFPGA上のデジタルゲートでの使用に非常に適している。
論文参考訳（メタデータ） (2021-09-26T19:52:54Z)
Joint COCO and Mapillary Workshop at ICCV 2019: COCO Instance Segmentation Challenge Track [87.90450014797287]
MegDetV2は2パス方式で動作し、まずインスタンスを検出し、次にセグメンテーションを取得する。 COCO-2019 検出/インスタンス分割テスト-dev データセットでは,2018 年の勝率それぞれ 5.0/4.2 を上回った 61.0/53.1 mAP を達成した。
論文参考訳（メタデータ） (2020-10-06T04:49:37Z)
Preventing Posterior Collapse with Levenshtein Variational Autoencoder [61.30283661804425]
我々は,エビデンス・ロー・バウンド(ELBO)を最適化し,後部崩壊を防止できる新しい目的に置き換えることを提案する。本稿では,Levenstein VAEが後方崩壊防止のための代替手法よりも,より情報的な潜伏表現を生成することを示す。
論文参考訳（メタデータ） (2020-04-30T13:27:26Z)
1st Place Solutions for OpenImage2019 -- Object Detection and Instance Segmentation [116.25081559037872]
この記事では,2つのチャンピオンチーム,検出トラックのMMfruit'とセグメンテーショントラックのMMfruitSeg'のソリューションについて,OpenImage Challenge 2019で紹介する。一般に、対象検出器の場合、バックボーンの端の共有特徴は分類と回帰の両方に適さないことが知られている。自己学習型最適特徴抽出によりオブジェクトの分類と回帰を分離するデカップリングヘッド(DH)を提案する。
論文参考訳（メタデータ） (2020-03-17T06:45:07Z)
NeurIPS 2019 Disentanglement Challenge: Improved Disentanglement through Learned Aggregation of Convolutional Feature Maps [2.8360662552057323]
我々は,ImageNetデータベース上で事前学習したネットワークから得られた地域的に集約された特徴マップに基づいて,変分オートエンコーダを訓練することを提案する。当社のアプローチは,2019年のNeurIPS Disentanglement Challengeのステージ2で2位を獲得しました。
論文参考訳（メタデータ） (2020-02-27T08:46:17Z)
NeurIPS 2019 Disentanglement Challenge: Improved Disentanglement through Aggregated Convolutional Feature Maps [2.538209532048867]
本稿では,VAEのトレーニングのための簡単な画像前処理手法を提案する。特に,ImageNet 上で事前学習した CNN から抽出した領域集約型特徴写像を提案する。提案手法は,NeurIPS 2019 disentanglement Challengeのステージ1で2位となった。
論文参考訳（メタデータ） (2020-02-23T22:35:59Z)

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。