論文の概要: The Benefits of Pairwise Discriminators for Adversarial Training

• arxiv url: http://arxiv.org/abs/2002.08621v1
• Date: Thu, 20 Feb 2020 08:43:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 06:39:51.535757
• Title: The Benefits of Pairwise Discriminators for Adversarial Training
• Title（参考訳）: 対人訓練におけるPairwise Discriminatorのメリット
• Authors: Shangyuan Tong, Timur Garipov, Tommi Jaakkola
• Abstract要約: ペアワイズ判別器を活用することで目的のファミリーを導入し、生成元のみを収束させる必要があることを示す。 我々は局所収束のための十分な条件を提供し、判別器と生成器の選択を導く能力バランスを特徴付ける。 提案手法により,より高解像度な画像を生成することができることを示す。
• 参考スコア（独自算出の注目度）: 1.7188280334580193
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adversarial training methods typically align distributions by solving two-player games. However, in most current formulations, even if the generator aligns perfectly with data, a sub-optimal discriminator can still drive the two apart. Absent additional regularization, the instability can manifest itself as a never-ending game. In this paper, we introduce a family of objectives by leveraging pairwise discriminators, and show that only the generator needs to converge. The alignment, if achieved, would be preserved with any discriminator. We provide sufficient conditions for local convergence; characterize the capacity balance that should guide the discriminator and generator choices; and construct examples of minimally sufficient discriminators. Empirically, we illustrate the theory and the effectiveness of our approach on synthetic examples. Moreover, we show that practical methods derived from our approach can better generate higher-resolution images.
• Abstract（参考訳）: 敵の訓練方法は通常、2人のプレイヤーのゲームを解くことで分布を整列する。 しかし、ほとんどの現行の定式化では、ジェネレータがデータと完全に一致していても、準最適判別器は2つを分離することができる。 さらなる正規化がなければ、不安定性は終わらないゲームとして現れうる。 本稿では,ペアワイズ判別器を利用する目的のファミリーを紹介し,ジェネレータのみを収束させる必要があることを示す。 アライメントが達成されれば、いかなる差別者でも保存される。 局所収束には十分条件を提供し、判別器と生成器の選択を導くキャパシティバランスを特徴付け、最小に十分な判別器の例を構成する。 実験では, 合成例に対するアプローチの理論と有効性について述べる。 さらに,本手法による実用的な手法は,より高解像度な画像を生成することができることを示す。

関連論文リスト

• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• Reusing the Task-specific Classifier as a Discriminator: Discriminator-free Adversarial Domain Adaptation [55.27563366506407]
  非教師付きドメイン適応(UDA)のための識別器なし対向学習ネットワーク(DALN)を導入する。 DALNは、統一された目的によって明確なドメインアライメントとカテゴリの区別を達成する。 DALNは、さまざまなパブリックデータセット上の既存の最先端(SOTA)メソッドと比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-04-08T04:40:18Z)
• ELECRec: Training Sequential Recommenders as Discriminators [94.93227906678285]
  シーケンシャルレコメンデーションは、しばしば生成タスク、すなわち、ユーザの関心事の次の項目を生成するためにシーケンシャルエンコーダを訓練すると考えられる。 我々は、ジェネレータではなく、識別器としてシーケンシャルレコメンデータを訓練することを提案する。 本手法は,サンプル項目が「現実の」対象項目であるか否かを識別するために識別器を訓練する。
  論文  参考訳（メタデータ） (2022-04-05T06:19:45Z)
• Re-using Adversarial Mask Discriminators for Test-time Training under Distribution Shifts [10.647970046084916]
  安定判別器の訓練によって表現的損失関数が生成され、推論時に再使用してセグメント化ミスを検出し、修正することができると論じる。 我々は、識別器と画像再構成コストを(デコーダを介して)組み合わせることで、モデルをさらに改善できることを示す。 提案手法は単純で,事前学習したGANの試験時間性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-26T17:31:46Z)
• Exploring Dropout Discriminator for Domain Adaptation [27.19677042654432]
  新しいドメインへの分類器の適応は、機械学習における難しい問題の1つである。 本稿では, サンプル分布の分散を徐々に増大させるカリキュラムベースのドロップアウト判別器を提案する。 識別器のアンサンブルは、モデルがデータ分散を効率的に学習するのに役立つ。
  論文  参考訳（メタデータ） (2021-07-09T06:11:34Z)
• Hybrid Generative-Contrastive Representation Learning [32.84066504783469]
  コントラストと生成的損失の両方で訓練されたトランスフォーマーベースのエンコーダデコーダアーキテクチャは、生成性能を損なうことなく、高い識別性および堅牢性を持つ表現を学習できることを示す。
  論文  参考訳（メタデータ） (2021-06-11T04:23:48Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• Training GANs with Stronger Augmentations via Contrastive Discriminator [80.8216679195]
  本稿では,gan判別器にコントラスト表現学習方式を導入する。 この「融合」により、識別者は訓練の不安定さを増すことなく、より強力な増強に対処できる。 実験の結果,contratd付きganはfidを一貫して改善し,データ拡張を組み込んだ他の手法と比較した。
  論文  参考訳（メタデータ） (2021-03-17T16:04:54Z)
• One-vs.-One Mitigation of Intersectional Bias: A General Method to Extend Fairness-Aware Binary Classification [0.48733623015338234]
  1-vs.ワン・マイティゲーション(英: One-vs. One Mitigation)は、二項分類のためのフェアネス認識機械学習と、センシティブ属性に関連する各サブグループの比較プロセスである。 本手法は,すべての設定において従来の手法よりも交叉バイアスを緩和する。
  論文  参考訳（メタデータ） (2020-10-26T11:35:39Z)
• Adversarial Soft Advantage Fitting: Imitation Learning without Policy Optimization [48.674944885529165]
  対立的模倣学習(Adversarial Imitation Learning)は、識別器を学習する -- 生成されたものと専門家のデモンストレーションを区別する -- と、この識別器を騙すことができる軌跡を生成するジェネレータのポリシーとを交互に交互に扱う。 本稿では,新たな差別化要因の定式化を活用することで,政策最適化ステップの負担を軽減することを提案する。
  論文  参考訳（メタデータ） (2020-06-23T18:29:13Z)

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。