論文の概要: xAI-GAN: Enhancing Generative Adversarial Networks via Explainable AI Systems

• arxiv url: http://arxiv.org/abs/2002.10438v3
• Date: Tue, 29 Mar 2022 15:59:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 03:20:48.521839
• Title: xAI-GAN: Enhancing Generative Adversarial Networks via Explainable AI Systems
• Title（参考訳）: xAI-GAN: 説明可能なAIシステムによる生成的敵ネットワークの強化
• Authors: Vineel Nagisetty, Laura Graves, Joseph Scott and Vijay Ganesh
• Abstract要約: Generative Adversarial Networks (GAN) は、現実的な画像、音楽、テキスト、その他のデータの生成に成功しているディープニューラルネットワーク(DNN)の革命的なクラスである。 本稿では、AI(xAI)システムにおける最近の進歩を活用して、識別器からジェネレータへの「よりリッチな」修正フィードバックを提供する新しいGANクラスを提案する。 我々は、xAI-GANが標準GANよりも、MNISTとFMNISTの両方のデータセットで生成された画像の品質を最大23.18%向上させるのを観察する。
• 参考スコア（独自算出の注目度）: 16.360144499713524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Adversarial Networks (GANs) are a revolutionary class of Deep Neural Networks (DNNs) that have been successfully used to generate realistic images, music, text, and other data. However, GAN training presents many challenges, notably it can be very resource-intensive. A potential weakness in GANs is that it requires a lot of data for successful training and data collection can be an expensive process. Typically, the corrective feedback from discriminator DNNs to generator DNNs (namely, the discriminator's assessment of the generated example) is calculated using only one real-numbered value (loss). By contrast, we propose a new class of GAN we refer to as xAI-GAN that leverages recent advances in explainable AI (xAI) systems to provide a "richer" form of corrective feedback from discriminators to generators. Specifically, we modify the gradient descent process using xAI systems that specify the reason as to why the discriminator made the classification it did, thus providing the "richer" corrective feedback that helps the generator to better fool the discriminator. Using our approach, we observe xAI-GANs provide an improvement of up to 23.18% in the quality of generated images on both MNIST and FMNIST datasets over standard GANs as measured by Frechet Inception Distance (FID). We further compare xAI-GAN trained on 20% of the data with standard GAN trained on 100% of data on the CIFAR10 dataset and find that xAI-GAN still shows an improvement in FID score. Further, we compare our work with Differentiable Augmentation - which has been shown to make GANs data-efficient - and show that xAI-GANs outperform GANs trained on Differentiable Augmentation. Moreover, both techniques can be combined to produce even better results. Finally, we argue that xAI-GAN enables users greater control over how models learn than standard GANs.
• Abstract（参考訳）: Generative Adversarial Networks (GAN) は、現実的な画像、音楽、テキスト、その他のデータの生成に成功しているディープニューラルネットワーク(DNN)の革命的なクラスである。 しかし、GANトレーニングには多くの課題があり、特にリソース集約性が高い。 GANの潜在的な弱点は、トレーニングを成功させるために大量のデータが必要であり、データ収集が高価なプロセスであることだ。 通常、識別器DNNからジェネレータDNNへの補正フィードバック(つまり、生成された例に対する識別器の評価)は、1つの実数値(ロス)のみを用いて計算される。 対照的に、我々は、説明可能なAI(xAI)システムにおける最近の進歩を活用して、差別者からジェネレータへの「よりリッチな」修正フィードバックを提供する、xAI-GANと呼ばれる新しい種類のGANを提案する。 具体的には、判別器が分類を行った理由を特定するxAIシステムを用いて勾配降下過程を修正し、生成器が識別器をうまく騙すのに役立つ「よりリッチな」補正フィードバックを提供する。 提案手法を用いて,Frechet Inception Distance (FID) によって測定された標準GANよりも,MNIST とFMNIST の両方で生成された画像の品質が最大23.18%向上した。 さらに、データの20%でトレーニングされたxAI-GANと、CIFAR10データセットの100%のデータでトレーニングされた標準GANを比較し、xAI-GANが依然としてFIDスコアの改善を示していることを確認する。 さらに,本研究を,GANのデータ効率が向上することが示されている微分拡張と比較し,XAI-GANが微分拡張の訓練を受けたGANよりも優れていることを示す。 さらに、両方のテクニックを組み合わせることで、よりよい結果が得られる。 最後に、xAI-GANにより、標準のGANよりもモデルがどのように学習するかをユーザがより制御できるようになると論じる。

関連論文リスト

• SMaRt: Improving GANs with Score Matching Regularity [94.81046452865583]
  生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。 スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることを示す。 スコアマッチング規則性(SMaRt)を用いたGANの最適化を提案する。
  論文  参考訳（メタデータ） (2023-11-30T03:05:14Z)
• LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral Image Generation with Variance Regularization [72.4394510913927]
  ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。 GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。 この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。 本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:25:02Z)
• How far generated data can impact Neural Networks performance? [2.578242050187029]
  ニューラルネットワークの性能向上において、生成したデータが実際のデータにどの程度役立つかを検討する。 実験の結果,実データに対する5倍の合成データが精度16%向上することが判明した。
  論文  参考訳（メタデータ） (2023-03-27T14:02:43Z)
• Augmentation-Aware Self-Supervision for Data-Efficient GAN Training [68.81471633374393]
  識別器が過度に適合する傾向があるため、限られたデータでGANを訓練することは困難である。 本稿では,拡張データの拡張パラメータを予測する,拡張型自己教師型識別器を提案する。 本稿では,クラス条件の BigGAN と非条件の StyleGAN2 アーキテクチャを用いた State-of-the-art (SOTA) 手法と比較する。
  論文  参考訳（メタデータ） (2022-05-31T10:35:55Z)
• 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)
• Rebooting ACGAN: Auxiliary Classifier GANs with Stable Training [45.70113212633225]
  条件付き生成逆数ネットワーク(cGAN)は、クラス情報をGANに組み込んで現実的な画像を生成する。 最も一般的なcGANの1つは、ソフトマックスクロスエントロピー損失(ACGAN)を持つ補助分類器GANである。 ACGANはまた、多様性の欠如により容易に分類できるサンプルを生成する傾向がある。
  論文  参考訳（メタデータ） (2021-11-01T17:51:33Z)
• Fuzzy Generative Adversarial Networks [0.0]
  Generative Adversarial Networks (GAN) は、データ生成と半教師付き分類のためのよく知られたツールである。 本稿では,平均絶対誤差(MAE)と平均二乗誤差(MSE)によるGANの回帰能力の向上を示す手法を提案する。 ファジィ論理層を追加することで、GANの回帰処理能力が向上し、最も望ましい注入位置は問題固有であることが示される。
  論文  参考訳（メタデータ） (2021-10-27T17:05:06Z)
• Class Balancing GAN with a Classifier in the Loop [58.29090045399214]
  本稿では,GANを学習するための理論的動機付けクラスバランス正則化器を提案する。 我々の正規化器は、訓練済みの分類器からの知識を利用して、データセット内のすべてのクラスのバランスの取れた学習を確実にします。 複数のデータセットにまたがる既存手法よりも優れた性能を達成し,長期分布の学習表現における正規化器の有用性を実証する。
  論文  参考訳（メタデータ） (2021-06-17T11:41:30Z)
• 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)
• On Data Augmentation for GAN Training [39.074761323958406]
  本稿では,GANトレーニングにおける拡張データの利用を可能にするために,DAG(Data Augmentation Optimized for GAN)を提案する。 我々は異なるGANモデルにDAGを適用する実験を行う。 いくつかのGANモデルでDAGを使用する場合、システムは最先端のFrechet Inception Distance(FID)スコアを確立する。
  論文  参考訳（メタデータ） (2020-06-09T15:19:26Z)

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。