論文の概要: MIM-Based GAN: Information Metric to Amplify Small Probability Events
Importance in Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2003.11285v2
- Date: Thu, 7 Jan 2021 12:33:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 03:16:37.738964
- Title: MIM-Based GAN: Information Metric to Amplify Small Probability Events
Importance in Generative Adversarial Networks
- Title（参考訳）: MIM-based GAN:情報メトリクスによる小さな確率事象の増幅 ジェネレーティブ・ディバイザ・ネットワークにおける重要度
- Authors: Rui She and Pingyi Fan
- Abstract要約: GAN(Generative Adversarial Networks)の観点では、生成データを実データから識別する情報メトリクスは、生成効率のキーポイントにある。
本稿では,情報測度(MIM)から引用される指数形式を採用し,元のGANの対数形式を置き換える。
このアプローチはMIMベースのGANと呼ばれ、ネットワークトレーニングやレアイベント生成のパフォーマンスが向上している。
- 参考スコア（独自算出の注目度）: 13.599726672717827
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In terms of Generative Adversarial Networks (GANs), the information metric to
discriminate the generative data from the real data, lies in the key point of
generation efficiency, which plays an important role in GAN-based applications,
especially in anomaly detection. As for the original GAN, there exist drawbacks
for its hidden information measure based on KL divergence on rare events
generation and training performance for adversarial networks. Therefore, it is
significant to investigate the metrics used in GANs to improve the generation
ability as well as bring gains in the training process. In this paper, we adopt
the exponential form, referred from the information measure, i.e. MIM, to
replace the logarithm form of the original GAN. This approach is called
MIM-based GAN, has better performance on networks training and rare events
generation. Specifically, we first discuss the characteristics of training
process in this approach. Moreover, we also analyze its advantages on
generating rare events in theory. In addition, we do simulations on the
datasets of MNIST and ODDS to see that the MIM-based GAN achieves
state-of-the-art performance on anomaly detection compared with some classical
GANs.
- Abstract（参考訳）: GAN(Generative Adversarial Networks)の観点では、生成データを実データから識別する情報メトリクスは、生成効率の重要な点にあり、特に異常検出において、GANベースのアプリケーションにおいて重要な役割を果たす。
元のGANについては、敵ネットワークにおけるレアイベントの生成とトレーニング性能に関するKL分散に基づく隠れ情報尺度の欠点が存在する。
したがって、ganが生成能力を向上させるために使用するメトリクスを調査し、トレーニングプロセスに利益をもたらすことは重要である。
本稿では,情報測度(MIM)から引用される指数形式を採用し,元のGANの対数形式を置き換える。
このアプローチはMIMベースのGANと呼ばれ、ネットワークトレーニングやレアイベント生成のパフォーマンスが向上している。
具体的には、まず、このアプローチにおけるトレーニングプロセスの特徴について論じる。
また,理論上稀な事象を発生させることの利点も分析した。
さらに,MNIST と ODDS のデータセット上でシミュレーションを行い,MIM をベースとした GAN が,従来の GAN と比較して異常検出における最先端性能を達成できることを確認する。
関連論文リスト
- Bt-GAN: Generating Fair Synthetic Healthdata via Bias-transforming Generative Adversarial Networks [3.3903891679981593]
本稿では,医療領域に特化して設計されたGANベースの合成データジェネレータであるBias-transforming Generative Adversarial Networks (Bt-GAN)について述べる。
以上の結果から,Bt-GANはSOTA精度を向上し,公平性とバイアスの最小化を図った。
論文 参考訳（メタデータ） (2024-04-21T12:16:38Z) - Enhancing Network Intrusion Detection Performance using Generative Adversarial Networks [0.25163931116642785]
GAN(Generative Adversarial Networks)の統合によるNIDSの性能向上のための新しいアプローチを提案する。
GANは、現実世界のネットワークの振る舞いを忠実に模倣する合成ネットワークトラフィックデータを生成する。
NIDSへのGANの統合は,訓練データに制限のある攻撃に対する侵入検知性能の向上につながる可能性が示唆された。
論文 参考訳（メタデータ） (2024-04-11T04:01:15Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - 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) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳（メタデータ） (2023-10-06T10:40:46Z) - Generative adversarial networks for data-scarce spectral applications [0.0]
合成スペクトルデータ生成分野におけるGANの応用について報告する。
CWGANは,低データ方式の性能向上を図り,サロゲートモデルとして機能することを示す。
論文 参考訳（メタデータ） (2023-07-14T16:27:24Z) - From MIM-Based GAN to Anomaly Detection:Event Probability Influence on
Generative Adversarial Networks [13.599726672717827]
本稿では,MIM ベース GAN と呼ばれる指数情報メトリクスを GAN に導入する。
そこで本研究では,MIMに基づくGANを用いた異常検出手法を提案するとともに,教師なし学習事例の原理を説明する。
論文 参考訳（メタデータ） (2022-03-25T06:08:03Z) - 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) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Regularizing Generative Adversarial Networks under Limited Data [88.57330330305535]
本研究は、限られたデータ上で堅牢なGANモデルをトレーニングするための正規化手法を提案する。
正規化損失とLeCam-divergenceと呼ばれるf-divergenceの関連性を示す。
論文 参考訳（メタデータ） (2021-04-07T17:59:06Z) - Generative Adversarial Networks (GANs): An Overview of Theoretical
Model, Evaluation Metrics, and Recent Developments [9.023847175654602]
GAN(Generative Adversarial Network)は,大規模データ分散のサンプルを作成する上で有効な手法である。
GANはラベル付きトレーニングデータを広く使用せずにディープ表現を学習する適切な方法を提供する。
GANでは、ジェネレータと識別器のネットワークを同時にトレーニングする競合プロセスを通じて生成モデルを推定する。
論文 参考訳（メタデータ） (2020-05-27T05:56:53Z)
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。