論文の概要: Using Skill Rating as Fitness on the Evolution of GANs

• arxiv url: http://arxiv.org/abs/2004.04796v2
• Date: Sun, 31 Jan 2021 19:54:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 02:18:01.808121
• Title: Using Skill Rating as Fitness on the Evolution of GANs
• Title（参考訳）: GANの進化におけるスキルレーティングの適合性
• Authors: Victor Costa, Nuno Louren\c{c}o, Jo\~ao Correia, Penousal Machado
• Abstract要約: Generative Adversarial Networks (GAN) は、生成タスクにおいて印象的な結果を得た敵モデルである。 GANは安定性に関するいくつかの課題を提示し、トレーニングを通常、ヒット・アンド・ミスのプロセスにする。 近年の研究では、これらの課題を解決し、優れたモデルを見つけるための自動方法を提供することを目的として、GANトレーニングにおける進化的アルゴリズムの使用が提案されている。
• 参考スコア（独自算出の注目度）: 0.4588028371034407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Adversarial Networks (GANs) are an adversarial model that achieved impressive results on generative tasks. In spite of the relevant results, GANs present some challenges regarding stability, making the training usually a hit-and-miss process. To overcome these challenges, several improvements were proposed to better handle the internal characteristics of the model, such as alternative loss functions or architectural changes on the neural networks used by the generator and the discriminator. Recent works proposed the use of evolutionary algorithms on GAN training, aiming to solve these challenges and to provide an automatic way to find good models. In this context, COEGAN proposes the use of coevolution and neuroevolution to orchestrate the training of GANs. However, previous experiments detected that some of the fitness functions used to guide the evolution are not ideal. In this work we propose the evaluation of a game-based fitness function to be used within the COEGAN method. Skill rating is a metric to quantify the skill of players in a game and has already been used to evaluate GANs. We extend this idea using the skill rating in an evolutionary algorithm to train GANs. The results show that skill rating can be used as fitness to guide the evolution in COEGAN without the dependence of an external evaluator.
• Abstract（参考訳）: Generative Adversarial Networks (GANs) は、生成タスクにおいて印象的な結果をもたらす敵モデルである。 関連する結果にもかかわらず、gansは安定性に関するいくつかの課題を提示し、通常、トレーニングはヒット&ミスのプロセスとなる。 これらの課題を克服するために、ジェネレータと判別器が使用するニューラルネットワークの代替損失関数やアーキテクチャの変更など、モデルの内部特性をよりうまく扱うためのいくつかの改善が提案された。 近年の研究では、これらの課題を解決し、優れたモデルを見つけるための自動方法を提供することを目的として、GANトレーニングにおける進化的アルゴリズムの使用が提案されている。 この文脈において、COEGANはGANの訓練を編成するために共進化と神経進化の使用を提案する。 しかし、以前の実験では、進化を導くために使われる適合関数の一部が理想的でないことが検出された。 本研究では,COEGAN方式で使用するゲームベースのフィットネス機能の評価を提案する。 スキルレーティング(英: skill rating)は、ゲーム中のプレイヤーのスキルを定量化する指標であり、すでにganの評価に使われている。 我々は、このアイデアを進化アルゴリズムのスキル評価を用いて拡張し、GANを訓練する。 以上の結果から,COEGANの能力評価は,外部評価装置に頼らずに適応できることが示された。

関連論文リスト

• MARS: Unleashing the Power of Variance Reduction for Training Large Models [56.47014540413659]
  Adam、Adam、およびそれらの変種のような大規模な勾配アルゴリズムは、この種のトレーニングの開発の中心となっている。 本稿では,事前条件付き勾配最適化手法と,スケールドモーメント手法による分散低減を両立させる枠組みを提案する。
  論文  参考訳（メタデータ） (2024-11-15T18:57:39Z)
• REvolve: Reward Evolution with Large Language Models using Human Feedback [6.4550546442058225]
  大規模言語モデル(LLM)は、自然言語のタスク記述から報酬を生成するために使われてきた。 人間のフィードバックによって導かれるLLMは、人間の暗黙の知識を反映する報酬関数を定式化するのに用いられる。 強化学習における報酬設計にLLMを使用する,真に進化的なフレームワークであるRevolveを紹介する。
  論文  参考訳（メタデータ） (2024-06-03T13:23:27Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• SPIDE: A Purely Spike-based Method for Training Feedback Spiking Neural Networks [56.35403810762512]
  イベントベースの計算を伴うスパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェアにおけるエネルギー効率の高い応用のために、脳にインスパイアされたモデルを約束している。 本研究では,最近提案されたトレーニング手法を拡張した平衡状態(SPIDE)に対するスパイクに基づく暗黙差分法について検討した。
  論文  参考訳（メタデータ） (2023-02-01T04:22:59Z)
• Dissecting adaptive methods in GANs [46.90376306847234]
  我々は、適応的手法がGAN(Generative Adversarial Network)の訓練にどう役立つかを検討する。 我々は,Adam更新の程度とSGDの正規化方向の更新ルールを考慮し,Adamの適応度がGANトレーニングの鍵であることを実証的に示す。 この設定では、nSGDAで訓練されたGANが真の分布のすべてのモードを回復するのに対し、SGDA(および学習率構成)で訓練された同じネットワークはモード崩壊に悩まされていることを証明している。
  論文  参考訳（メタデータ） (2022-10-09T19:00:07Z)
• Convergence of GANs Training: A Game and Stochastic Control Methodology [4.933916728941277]
  GAN(Generative Adversarial Network)の訓練は、その収束の困難さで知られている。 本稿ではまず,GANの目的関数における凸性の欠如を確かめる。 特に、目的関数の凸度に依存する適応学習率の最適解を示す。
  論文  参考訳（メタデータ） (2021-12-01T01:52:23Z)
• IE-GAN: An Improved Evolutionary Generative Adversarial Network Using a New Fitness Function and a Generic Crossover Operator [20.100388977505002]
  我々は、新しいフィットネス機能と汎用クロスオーバー演算子を導入するIE-GANと呼ばれる改良されたE-GANフレームワークを提案する。 特に、提案されたフィットネス機能は、個人の進化過程をより正確にモデル化することができる。 進化アルゴリズムで一般的に採用されているクロスオーバー演算子は、子孫が両親の優れた遺伝子発現を模倣することができる。
  論文  参考訳（メタデータ） (2021-07-25T13:55:07Z)
• Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
  ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。 本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
  論文  参考訳（メタデータ） (2021-06-17T17:26:31Z)
• Demonstrating the Evolution of GANs through t-SNE [0.4588028371034407]
  COEGANのような進化的アルゴリズムは、最近、GANトレーニングを改善するソリューションとして提案されている。 本研究では, t-distributed Neighbour Embedding (t-SNE) を用いたGANの進展評価手法を提案する。 結果の t-SNE マップと Jaccard インデックスに基づく計量をモデル品質を表すために提案する。
  論文  参考訳（メタデータ） (2021-01-31T20:07:08Z)
• Evolutionary Generative Adversarial Networks with Crossover Based Knowledge Distillation [4.044110325063562]
  本稿では,進化戦略を用いてGANに広く適用可能な一般クロスオーバー演算子を提案する。 次に、それに基づいて進化的GANフレームワークC-GANを設計する。 そして、クロスオーバー演算子と進化生成逆数ネットワーク(EGAN)を組み合わせて、クロスオーバー(CE-GAN)を用いた進化生成逆数ネットワークを実装する。
  論文  参考訳（メタデータ） (2021-01-27T03:24:30Z)
• Improving GAN Training with Probability Ratio Clipping and Sample Reweighting [145.5106274085799]
  GAN(Generative Adversarial Network)は、不安定なトレーニングにより性能が低下することが多い。 本稿では,より優れたトレーニング安定性を享受する新しい変分GANトレーニングフレームワークを提案する。 多様な最先端のGANアーキテクチャにトレーニングアプローチを組み込むことで、幅広いタスクに対して大幅な性能向上を実現した。
  論文  参考訳（メタデータ） (2020-06-12T01:39:48Z)

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。