論文の概要: OptiGAN: Generative Adversarial Networks for Goal Optimized Sequence
Generation
- arxiv url: http://arxiv.org/abs/2004.07534v10
- Date: Wed, 18 Nov 2020 20:26:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 21:00:57.518266
- Title: OptiGAN: Generative Adversarial Networks for Goal Optimized Sequence
Generation
- Title(参考訳): OptiGAN: ゴール最適化シーケンス生成のためのジェネレータネットワーク
- Authors: Mahmoud Hossam, Trung Le, Viet Huynh, Michael Papasimeon, and Dinh
Phung
- Abstract要約: 我々は、GAN(Generative Adversarial Networks)とRL(Reinforcement Learning)の両方を組み込んだ生成モデルOptiGANを紹介する。
我々は本モデルをテキストおよび実数値シーケンス生成に適用し、GANおよびRLベースラインよりも高い所望のスコアを得られるようにした。
- 参考スコア(独自算出の注目度): 20.009587535006045
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the challenging problems in sequence generation tasks is the optimized
generation of sequences with specific desired goals. Current sequential
generative models mainly generate sequences to closely mimic the training data,
without direct optimization of desired goals or properties specific to the
task. We introduce OptiGAN, a generative model that incorporates both
Generative Adversarial Networks (GAN) and Reinforcement Learning (RL) to
optimize desired goal scores using policy gradients. We apply our model to text
and real-valued sequence generation, where our model is able to achieve higher
desired scores out-performing GAN and RL baselines, while not sacrificing
output sample diversity.
- Abstract(参考訳): シーケンス生成タスクの難題の1つは、特定の目的を持ったシーケンスを最適化した生成である。
現在の逐次生成モデルは、タスク特有の目的や特性を直接最適化することなく、トレーニングデータを密接に模倣するためのシーケンスを生成する。
本稿では,GAN(Generative Adversarial Networks)とRL(Reinforcement Learning)の両方を組み込んだ生成モデルOptiGANを紹介する。
我々のモデルはテキストおよび実数値シーケンス生成に適用し、ganおよびrlベースラインよりも高い所望のスコアを達成できるが、出力サンプルの多様性は犠牲にしない。
関連論文リスト
- Non-autoregressive Generative Models for Reranking Recommendation [10.442028111471876]
NAR4Rec(Non-Regressive Generative Model)を提案する。
ユーザフィードバックの多様性を考慮し、本研究では、不可能なシーケンスと区別するための、シーケンスレベルの相違したトレーニング目標を提案する。
私たちの方法は、毎日3億人以上のアクティブユーザーがいる人気ビデオアプリKuaishouに完全にデプロイされています。
論文 参考訳(メタデータ) (2024-02-10T03:21:13Z) - Evolutionary Solution Adaption for Multi-Objective Metal Cutting Process
Optimization [59.45414406974091]
我々は,従来の最適化タスクから解を転送するアルゴリズムの能力を研究することのできる,システムの柔軟性のためのフレームワークを提案する。
NSGA-IIの柔軟性を2つの変種で検討し,1)2つのタスクの解を同時に最適化し,より適応性が高いと期待されるソース間の解を得る,2)活性化あるいは非活性化の異なる可能性に対応する能動的非アクティブなジェノタイプについて検討した。
その結果,標準NSGA-IIによる適応は目標目標への最適化に必要な評価回数を大幅に削減し,提案した変種は適応コストをさらに向上することがわかった。
論文 参考訳(メタデータ) (2023-05-31T12:07:50Z) - Precision-Recall Divergence Optimization for Generative Modeling with
GANs and Normalizing Flows [54.050498411883495]
本研究では,ジェネレーティブ・アドバイサル・ネットワークや正規化フローなどの生成モデルのための新しいトレーニング手法を開発した。
指定された精度-リコールトレードオフを達成することは、textitPR-divergencesと呼ぶ家族からのユニークな$f$-divergenceを最小化することを意味する。
当社のアプローチは,ImageNetなどのデータセットでテストした場合の精度とリコールの両面で,BigGANのような既存の最先端モデルの性能を向上させる。
論文 参考訳(メタデータ) (2023-05-30T10:07:17Z) - Conditional Denoising Diffusion for Sequential Recommendation [62.127862728308045]
GAN(Generative Adversarial Networks)とVAE(VAE)の2つの顕著な生成モデル
GANは不安定な最適化に苦しむ一方、VAEは後続の崩壊と過度に平らな世代である。
本稿では,シーケンスエンコーダ,クロスアテンティブデノナイジングデコーダ,ステップワイズディフューザを含む条件付きデノナイジング拡散モデルを提案する。
論文 参考訳(メタデータ) (2023-04-22T15:32:59Z) - Towards Optimization and Model Selection for Domain Generalization: A
Mixup-guided Solution [43.292274574847234]
そこで本研究では,ドメイン一般化のためのMixupガイドによる最適化と選択手法を提案する。
最適化のために、好みの方向を導出するアウト・オブ・ディストリビューション・データセットを利用する。
モデル選択のために、ターゲット分布に近づいた検証データセットを生成する。
論文 参考訳(メタデータ) (2022-09-01T02:18:00Z) - One-Shot Adaptation of GAN in Just One CLIP [51.188396199083336]
本稿では,CLIP空間を統一した単一ショットGAN適応方式を提案する。
具体的には、CLIP誘導潜在最適化を用いて、ソースジェネレータ内の参照画像検索という2段階のトレーニング戦略を採用する。
対象のテクスチャで多様な出力を生成し,質的かつ定量的にベースラインモデルより優れていることを示す。
論文 参考訳(メタデータ) (2022-03-17T13:03:06Z) - A Generic Approach for Enhancing GANs by Regularized Latent Optimization [79.00740660219256]
本稿では,事前学習したGANを効果的かつシームレスに拡張できる,エミュレーティブモデル推論と呼ばれる汎用フレームワークを提案する。
我々の基本的な考え方は、ワッサーシュタイン勾配流法を用いて与えられた要求に対する最適潜時分布を効率的に推算することである。
論文 参考訳(メタデータ) (2021-12-07T05:22:50Z) - Simulated annealing for optimization of graphs and sequences [44.974718959154266]
本稿では,グラフとシーケンス最適化のための新しいアニーリングフレームワークであるSAGSを紹介する。
まず、関心の性質と事前定義された制約を含む、洗練された客観的関数を定義する。
SAGSは離散空間からこの目的に向かって、一連のローカル編集を実行することで検索する。
論文 参考訳(メタデータ) (2021-10-01T01:12:19Z) - Monte Carlo Filtering Objectives: A New Family of Variational Objectives
to Learn Generative Model and Neural Adaptive Proposal for Time Series [4.92575823723555]
パラメトリック生成モデルを共同学習するためのMCFO(Monte Carlo filtering objectives)を提案する。
MCFOは、現在最先端の目的において、シークエンシャルモンテカルロを超える可能性推定器の選択を拡張している。
提案したMCFOと勾配推定が,効率的で安定したモデル学習につながることを示す。
論文 参考訳(メタデータ) (2021-05-20T14:56:30Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳(メタデータ) (2020-06-26T17:03:06Z)
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。