論文の概要: Generative Adversarial Networks (GANs): Challenges, Solutions, and
Future Directions
- arxiv url: http://arxiv.org/abs/2005.00065v3
- Date: Fri, 9 Oct 2020 09:07:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-08 03:38:51.505767
- Title: Generative Adversarial Networks (GANs): Challenges, Solutions, and
Future Directions
- Title（参考訳）: GAN(Generative Adversarial Networks)の課題,解決策,今後の方向性
- Authors: Divya Saxena, Jiannong Cao
- Abstract要約: Generative Adversarial Networks (GANs) は、近年注目されている深層生成モデルの新しいクラスである。
GANは、画像、オーディオ、データに対して暗黙的に複雑で高次元の分布を学習する。
GANのトレーニングには、モード崩壊、非収束、不安定といった大きな課題がある。
- 参考スコア（独自算出の注目度）: 15.839877885431806
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative Adversarial Networks (GANs) is a novel class of deep generative
models which has recently gained significant attention. GANs learns complex and
high-dimensional distributions implicitly over images, audio, and data.
However, there exists major challenges in training of GANs, i.e., mode
collapse, non-convergence and instability, due to inappropriate design of
network architecture, use of objective function and selection of optimization
algorithm. Recently, to address these challenges, several solutions for better
design and optimization of GANs have been investigated based on techniques of
re-engineered network architectures, new objective functions and alternative
optimization algorithms. To the best of our knowledge, there is no existing
survey that has particularly focused on broad and systematic developments of
these solutions. In this study, we perform a comprehensive survey of the
advancements in GANs design and optimization solutions proposed to handle GANs
challenges. We first identify key research issues within each design and
optimization technique and then propose a new taxonomy to structure solutions
by key research issues. In accordance with the taxonomy, we provide a detailed
discussion on different GANs variants proposed within each solution and their
relationships. Finally, based on the insights gained, we present the promising
research directions in this rapidly growing field.
- Abstract（参考訳）: Generative Adversarial Networks (GANs) は、近年注目されている深層生成モデルの新しいクラスである。
GANは、画像、オーディオ、データに対して暗黙的に複雑で高次元の分布を学習する。
しかし、ネットワークアーキテクチャの不適切な設計、目的関数の使用、最適化アルゴリズムの選択などにより、モード崩壊、非収束、不安定といった GAN のトレーニングには大きな課題がある。
近年,これらの課題に対処するために,ネットワークアーキテクチャの再設計技術,新たな目的関数,代替最適化アルゴリズムに基づいて,GANの設計と最適化のためのいくつかのソリューションが検討されている。
私たちの知る限りでは、これらのソリューションの広範かつ体系的な開発に特に注目する既存の調査はありません。
本研究では,GANの課題に対処するために提案したGANの設計および最適化ソリューションの進歩に関する総合的な調査を行う。
まず,各設計・最適化手法における主要な研究課題を特定し,主要な研究課題によるソリューション構築のための新たな分類法を提案する。
分類法に従って,各解において提案される異なるGANの変種とその関係について,詳細な議論を行う。
最後に、得られた知見に基づいて、この急速に成長する分野における有望な研究方向性を示す。
関連論文リスト
- Generative Topology Optimization: Exploring Diverse Solutions in Structural Design [11.585099298173285]
トポロジー最適化(英: Topology Optimization、TO)は、公式な問題記述から準最適ジオメトリを導出する計算手法のファミリーである。
生成トポロジ最適化(GenTO)は,ニューラルネットワークを用いて構造に適合した形状を生成するデータフリーな手法である。
我々は,GenTOがほぼ最適性を維持しながら,従来手法よりも多様な解を生成することを示す。
論文 参考訳（メタデータ） (2025-02-17T21:24:18Z) - Graph Foundation Models for Recommendation: A Comprehensive Survey [55.70529188101446]
大規模言語モデル(LLM)は自然言語を処理し、理解するために設計されており、どちらも非常に効果的で広く採用されている。
最近の研究はグラフ基礎モデル(GFM)に焦点を当てている。
GFM は GNN と LLM の強みを統合し,複雑な RS 問題をより効率的にモデル化する。
論文 参考訳（メタデータ） (2025-02-12T12:13:51Z) - Diffusion Models as Network Optimizers: Explorations and Analysis [71.69869025878856]
生成拡散モデル(GDM)は,ネットワーク最適化の新しいアプローチとして期待されている。
本研究ではまず,生成モデルの本質的な特徴について考察する。
本稿では,識別的ネットワーク最適化よりも生成モデルの利点を簡潔かつ直感的に示す。
論文 参考訳（メタデータ） (2024-11-01T09:05:47Z) - DiffSG: A Generative Solver for Network Optimization with Diffusion Model [75.27274046562806]
拡散生成モデルはより広い範囲の解を考えることができ、学習パラメータによるより強力な一般化を示す。
拡散生成モデルの本質的な分布学習を利用して高品質な解を学習する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-13T07:56:21Z) - Unraveling the Versatility and Impact of Multi-Objective Optimization: Algorithms, Applications, and Trends for Solving Complex Real-World Problems [4.023511716339818]
マルチオブジェクト最適化(MOO)技術は近年ますます人気が高まっている。
本稿では,最近開発されたMOOアルゴリズムについて検討する。
実世界のケーススタディでは、MOOアルゴリズムは複雑な意思決定課題に対処する。
論文 参考訳（メタデータ） (2024-06-29T15:19:46Z) - Bridging Evolutionary Algorithms and Reinforcement Learning: A Comprehensive Survey on Hybrid Algorithms [50.91348344666895]
進化的強化学習(ERL)は進化的アルゴリズム(EA)と強化学習(RL)を統合して最適化する。
本調査では,ERLの多様な研究分野について概観する。
論文 参考訳（メタデータ） (2024-01-22T14:06:37Z) - The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。
本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
論文 参考訳（メタデータ） (2023-12-01T16:00:25Z) - Ten Years of Generative Adversarial Nets (GANs): A survey of the
state-of-the-art [0.0]
Generative Adversarial Networks (GAN) は、様々な領域にまたがる現実的で多様なデータを生成する強力なツールとして急速に登場した。
2018年2月、GANは「Top Ten Global Breakthrough Technologies List」でトップ10を獲得した。
この調査は、最も広く認識されているバリエーションの潜在アーキテクチャ、バリデーションメトリクス、およびアプリケーション領域を要約した、GANの一般的な概要を提供することを目的としている。
論文 参考訳（メタデータ） (2023-08-30T20:46:45Z) - Generative Adversarial Networks for Image Super-Resolution: A Survey [49.567332038602785]
単一画像超解像(SISR)は画像処理の分野で重要な役割を果たしている。
近年のGAN(Generative Adversarial Network)は,小サンプルを用いた低解像度画像に対して優れた結果が得られる。
本稿では,異なる視点からGANの比較研究を行う。
論文 参考訳（メタデータ） (2022-04-28T16:35:04Z) - A Comprehensive Survey on Data-Efficient GANs in Image Generation [21.03377218098632]
GAN(Generative Adversarial Networks)は画像合成において顕著な成果を上げている。
限られたトレーニングデータにより、GANのトレーニングプロセスを安定させ、現実的な画像を生成する方法が注目されている。
データ効率のよいGAN(DE-GAN)の課題は主に、(i)訓練と目標配分のミスマッチ、(ii)識別器のオーバーフィッティング、(iii)潜伏とデータ空間の不均衡の3つの側面から生じる。
論文 参考訳（メタデータ） (2022-04-18T14:14:09Z) - Exploring the Evolution of GANs through Quality Diversity [0.4588028371034407]
本稿では,GANの進化に品質多様性アルゴリズムを適用することを提案する。
提案手法は,従来のCOEGANモデルと,グローバルコンペティションアプローチを用いた代替バージョンとの比較を行った。
論文 参考訳（メタデータ） (2020-07-13T08:54:52Z)
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。