論文の概要: Score-Guided Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2004.04396v2
• Date: Wed, 27 May 2020 04:27:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 02:38:17.328171
• Title: Score-Guided Generative Adversarial Networks
• Title（参考訳）: スコア誘導型生成型逆ネットワーク
• Authors: Minhyeok Lee and Junhee Seok
• Abstract要約: 本稿では,事前学習ネットワークを用いた評価モジュールを導入したGAN(Generative Adversarial Network)を提案する。 提案モデルはスコア誘導GAN(ScoreGAN)と呼ばれ,GANの評価基準,すなわちインセプションスコアを,発電機のトレーニングのための粗いガイドとしてトレーニングする。
• 参考スコア（独自算出の注目度）: 3.829070379776576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a Generative Adversarial Network (GAN) that introduces an evaluator module using pre-trained networks. The proposed model, called score-guided GAN (ScoreGAN), is trained with an evaluation metric for GANs, i.e., the Inception score, as a rough guide for the training of the generator. By using another pre-trained network instead of the Inception network, ScoreGAN circumvents the overfitting of the Inception network in order that generated samples do not correspond to adversarial examples of the Inception network. Also, to prevent the overfitting, the evaluation metrics are employed only as an auxiliary role, while the conventional target of GANs is mainly used. Evaluated with the CIFAR-10 dataset, ScoreGAN demonstrated an Inception score of 10.36$\pm$0.15, which corresponds to state-of-the-art performance. Furthermore, to generalize the effectiveness of ScoreGAN, the model was further evaluated with another dataset, i.e., the CIFAR-100; as a result, ScoreGAN outperformed the other existing methods, where the Fr\'echet Inception Distance (FID) was 13.98.
• Abstract（参考訳）: 本稿では,事前学習ネットワークを用いた評価モジュールを導入したGAN(Generative Adversarial Network)を提案する。 提案モデルはスコア誘導GAN(ScoreGAN)と呼ばれ,GANの評価基準,すなわちインセプションスコアを,発電機のトレーニングのための粗いガイドとしてトレーニングする。 インセプションネットワークの代わりにトレーニング済みの別のネットワークを使用することで、ScoreGANはインセプションネットワークのオーバーフィッティングを回避し、生成されたサンプルはインセプションネットワークの敵の例に対応しない。 また, オーバーフィッティングを防止するため, 評価指標を補助的役割としてのみ使用し, 従来の目標であるGANを主に使用した。 CIFAR-10データセットで評価され、ScoreGANは10.36$\pm$0.15のインセプションスコアを示した。 さらに、ScoreGANの有効性を一般化するために、このモデルはCIFAR-100という別のデータセットでさらに評価され、その結果、Fr'echet Inception Distance (FID)が13.98である他の既存の手法よりも優れていた。

関連論文リスト

• Cross-Inferential Networks for Source-free Unsupervised Domain Adaptation [17.718392065388503]
  クロス推論ネットワーク (CIN) と呼ばれる新しい手法を提案する。 主な考え方は、符号化された特徴からサンプルラベルを予測するためにネットワークモデルを適用する際に、これらの予測結果を用いて、派生したラベルを用いた新しいトレーニングサンプルを構築することである。 ベンチマークデータを用いた実験の結果,提案手法により,ソースフリーなUDAの性能が大幅に向上することが示された。
  論文  参考訳（メタデータ） (2023-06-29T14:04:24Z)
• Cross-GAN Auditing: Unsupervised Identification of Attribute Level Similarities and Differences between Pretrained Generative Models [36.6958946360609]
  GAN(Generative Adversarial Networks)は、特に複雑な分散と限られたデータのために訓練することが難しいことで知られている。 既存のGAN監査ツールは、FIDやリコールなどの要約統計に基づいて、粗い粒度のモデルデータ比較に制限される。 我々は、確立された「参照」GANと新しく提案された「クライアント」GANを与えられたクロスGAN監査(xGA)を紹介し、GAN間で共通する、クライアントGANへの小説、クライアントGANから欠落する、知性のない属性を共同で識別する。
  論文  参考訳（メタデータ） (2023-03-19T21:54:13Z)
• Mixture GAN For Modulation Classification Resiliency Against Adversarial Attacks [55.92475932732775]
  本稿では,GANをベースとした新たな生成逆ネットワーク(Generative Adversarial Network, GAN)を提案する。 GANベースの目的は、DNNベースの分類器に入力する前に、敵の攻撃例を排除することである。 シミュレーションの結果,DNNをベースとしたAMCの精度が約81%に向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-05-29T22:30:32Z)
• MetricGAN+/-: Increasing Robustness of Noise Reduction on Unseen Data [26.94528951545861]
  予測ネットワークのロバスト性を改善する「デジェネレータ」を提案する。 VoiceBank-DEMANDデータセットの実験結果は、PSSQスコアが3.8%相対的に改善したことを示している。
  論文  参考訳（メタデータ） (2022-03-23T12:42:28Z)
• Training a Bidirectional GAN-based One-Class Classifier for Network Intrusion Detection [8.158224495708978]
  既存の生成逆数ネットワーク(GAN)は、主に実物から合成サンプルを作成するために使用される。 提案手法では,Bidirectional GAN (Bi-GAN) に基づく一級分類器として,訓練されたエンコーダ識別器を構築した。 実験結果から,提案手法はネットワーク侵入検出タスクにおいて有効であることが示唆された。
  論文  参考訳（メタデータ） (2022-02-02T23:51:11Z)
• UQGAN: A Unified Model for Uncertainty Quantification of Deep Classifiers trained via Conditional GANs [9.496524884855559]
  本稿では,GAN(Generative Adversarial Network)に基づく画像分類におけるディープニューラルネットワークの不確実性の定量化手法を提案する。 GAN の生成した OoD の例で分散データの全体を保護する代わりに,条件付き GAN によって生成されたクラスを別々に保護する。 特に、最先端のGAN学習に基づく分類器のOoD検出とFP検出性能を改善した。
  論文  参考訳（メタデータ） (2022-01-31T14:42:35Z)
• 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)
• Toward Scalable and Unified Example-based Explanation and Outlier Detection [128.23117182137418]
  我々は,試行錯誤の予測に例ベースの説明を与えることのできる,プロトタイプベースの学生ネットワークのより広範な採用を論じる。 類似カーネル以外のプロトタイプベースのネットワークは,分類精度を損なうことなく,有意義な説明と有望な外乱検出結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-11-11T05:58:17Z)
• Score-informed Networks for Music Performance Assessment [64.12728872707446]
  MPAモデルにスコア情報を組み込んだディープニューラルネットワークに基づく手法はまだ研究されていない。 スコアインフォームド性能評価が可能な3つのモデルを提案する。
  論文  参考訳（メタデータ） (2020-08-01T07:46:24Z)
• MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative Adversarial Network [51.84251358009803]
  本稿では,条件付き生成逆数ネットワーク(GAN)に対する,半教師付き環境下での自己教師型学習手法を提案する。 利用可能な数少ないラベル付きサンプルのラベル空間から無作為なラベルをサンプリングして拡張を行う。 本手法は,ベースラインのトレーニングに使用したラベル付きサンプルの20%に過ぎません。
  論文  参考訳（メタデータ） (2020-06-11T17:14:55Z)
• ScoreGAN: A Fraud Review Detector based on Multi Task Learning of Regulated GAN with Data Augmentation [50.779498955162644]
  生成・検出プロセスにおけるレビューテキストとレビューレーティングスコアの両方を利用した不正レビュー検出のためのScoreGANを提案する。 その結果,提案フレームワークは,既存の最先端フレームワークであるFakeGANをAPの7%,YelpとTripAdvisorのデータセットで5%上回る性能を示した。
  論文  参考訳（メタデータ） (2020-06-11T16:15:06Z)

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。