論文の概要: A Novel Framework for Selection of GANs for an Application
- arxiv url: http://arxiv.org/abs/2002.08641v2
- Date: Mon, 17 May 2021 09:48:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 06:14:39.073449
- Title: A Novel Framework for Selection of GANs for an Application
- Title（参考訳）: 応用のためのgan選択のための新しい枠組み
- Authors: Tanya Motwani and Manojkumar Parmar
- Abstract要約: 我々は,モード崩壊,勾配の消失,不安定なトレーニング,非収束といった問題に対処するGANの進化を包括的に要約する。
本稿では, アーキテクチャ, 損失, 正規化, 分散度に基づく, 特定のユースケースの候補GANを識別する新しいフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative Adversarial Network (GAN) is a current focal point of research.
The body of knowledge is fragmented, leading to a trial-error method while
selecting an appropriate GAN for a given scenario. We provide a comprehensive
summary of the evolution of GANs starting from its inception addressing issues
like mode collapse, vanishing gradient, unstable training and non-convergence.
We also provide a comparison of various GANs from the application point of
view, its behaviour and implementation details. We propose a novel framework to
identify candidate GANs for a specific use case based on architecture, loss,
regularization and divergence. We also discuss application of the framework
using an example, and we demonstrate a significant reduction in search space.
This efficient way to determine potential GANs lowers unit economics of AI
development for organizations.
- Abstract（参考訳）: GAN(Generative Adversarial Network)は現在研究の焦点となっている。
知識の体系は断片化され、あるシナリオに対して適切なGANを選択しながら試行錯誤法が導かれる。
本稿では,モード崩壊,勾配の消失,不安定なトレーニング,非収束といった問題に対処することから始まるGANの進化を概観する。
また、アプリケーションの観点から様々なGANを比較し、その振る舞いと実装の詳細を説明します。
本稿では, アーキテクチャ, 損失, 正規化, 分散度に基づく, 特定のユースケースの候補GANを識別する新しいフレームワークを提案する。
また,実例を用いてフレームワークの適用について検討し,検索空間の大幅な削減を示す。
潜在的なGANを決定する効率的な方法は、組織のAI開発におけるユニット・エコノミクスを低下させる。
関連論文リスト
- Generalized Universal Domain Adaptation with Generative Flow Networks [76.1350941965148]
Generalized Universal Domain Adaptationは、未知のカテゴリを含む全てのターゲットラベルの正確な予測を実現することを目的としている。
GUDAはラベル分布シフトベースとラベル空間ミスマッチベースとのギャップを埋める。
本稿では,報酬関数に比例した確率を持つ多種多様なサンプルを選択する,GFlowDAというドメイン適応アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-05-08T05:34:15Z) - A hybrid deep-learning-metaheuristic framework for bi-level network
design problems [2.741266294612776]
本研究では,道路ネットワーク設計問題(NDP)のための双方向アーキテクチャを用いたハイブリッドディープラーニング・メタヒューリスティックフレームワークを提案する。
我々は、ユーザ均衡(UE)トラフィック割り当て問題の解を近似するために、グラフニューラルネットワーク(GNN)を訓練する。
遺伝的アルゴリズム(GA)の適合度関数評価の計算にトレーニングモデルを用いて,NDPの解を近似する。
論文 参考訳（メタデータ） (2023-03-10T16:23:56Z) - Revisiting GANs by Best-Response Constraint: Perspective, Methodology,
and Application [49.66088514485446]
ベストレスポンス制約(Best-Response Constraint、BRC)は、ジェネレータのディスクリミネータへの依存性を明示的に定式化する一般的な学習フレームワークである。
モチベーションや定式化の相違があっても, フレキシブルBRC法により, 様々なGANが一様に改善できることが示される。
論文 参考訳（メタデータ） (2022-05-20T12:42:41Z) - Generative Adversarial Networks for Image Super-Resolution: A Survey [101.39605080291783]
単一画像超解像(SISR)は画像処理の分野で重要な役割を果たしている。
近年のGAN(Generative Adversarial Network)は,小サンプルを用いた低解像度画像に対して優れた結果が得られる。
本稿では,異なる視点からGANの比較研究を行う。
論文 参考訳（メタデータ） (2022-04-28T16:35:04Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳（メタデータ） (2021-12-15T09:50:25Z) - Prb-GAN: A Probabilistic Framework for GAN Modelling [20.181803514993778]
本稿では,ネットワークパラメータ上の分布を生成するためにドロップアウトを用いた新しいバリエーションを提案する。
我々の手法は非常にシンプルで、既存のGANアーキテクチャの変更はほとんど必要ありません。
論文 参考訳（メタデータ） (2021-07-12T08:04:13Z) - A Neural Tangent Kernel Perspective of GANs [0.0]
GAN(Generative Adversarial Networks)の理論解析は、任意に大きな差別者の族を仮定する。
我々は,この分析の枠組みがあまりに単純すぎて,GANトレーニングを適切に分析できないことを示した。
我々は、無限幅ニューラルネットワークの理論を利用して、幅広い敵の損失に対するニューラルディミネータートレーニングをモデル化する。
論文 参考訳（メタデータ） (2021-06-10T07:46:02Z) - Learning Domain Invariant Representations for Generalizable Person
Re-Identification [71.35292121563491]
ReID(Generalizable person Re-Identification)は、最近のコンピュータビジョンコミュニティで注目を集めている。
DIR-ReID(Domain Invariant Representations for Generalizable Person Re-Identification)という新しい一般化フレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-29T18:59:48Z) - DO-GAN: A Double Oracle Framework for Generative Adversarial Networks [28.904057977044374]
GAN(Generative Adversarial Networks)を育成するための新しいアプローチを提案します。
私たちはgeneratorとdiscriminator oraclesを使ってダブルoracleフレームワークをデプロイします。
我々は、バニラGAN、ディープ・コンボリューショナルGAN、スペクトル正規化GAN、スタックドGANなどの確立されたGANアーキテクチャに適用する。
論文 参考訳（メタデータ） (2021-02-17T05:11:18Z) - Teaching a GAN What Not to Learn [20.03447539784024]
GAN(Generative Adversarial Network)は、本来、対象分布に従うことを学習する教師なし生成モデルとして構想されていた。
本稿では,ペルシアの有名な詩人ルミの思想に動機づけられたGAN問題に対して,異なる視点からアプローチする。
GANフレームワークでは、モデリングを学習しなければならないGAN陽性データだけでなく、回避しなければならないいわゆる負のサンプルも提示します。
この定式化により、判別器は、望ましくない生成サンプルをペナリゼーションすることで、基礎となるターゲット分布をより良く表現することができる。
論文 参考訳（メタデータ） (2020-10-29T14:44:24Z) - A Review on Generative Adversarial Networks: Algorithms, Theory, and
Applications [154.4832792036163]
GAN(Generative Adversarial Network)は近年ホットな研究トピックである。
GANは2014年から広く研究され、多くのアルゴリズムが提案されている。
本稿では,アルゴリズム,理論,応用の観点から,様々なGAN手法のレビューを行う。
論文 参考訳（メタデータ） (2020-01-20T01:52:05Z)
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。