論文の概要: Regularization Methods for Generative Adversarial Networks: An Overview
of Recent Studies
- arxiv url: http://arxiv.org/abs/2005.09165v1
- Date: Tue, 19 May 2020 01:59:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 12:54:28.919245
- Title: Regularization Methods for Generative Adversarial Networks: An Overview
of Recent Studies
- Title（参考訳）: 生成型adversarial networkの正規化法:最近の研究の概要
- Authors: Minhyeok Lee, Junhee Seok
- Abstract要約: GAN(Generative Adversarial Network)は、様々なタスクに広く研究され、利用されている。
GANのトレーニングを安定させるために、正規化法が提案されている。
- 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: Despite its short history, Generative Adversarial Network (GAN) has been
extensively studied and used for various tasks, including its original purpose,
i.e., synthetic sample generation. However, applying GAN to different data
types with diverse neural network architectures has been hindered by its
limitation in training, where the model easily diverges. Such a notorious
training of GANs is well known and has been addressed in numerous studies.
Consequently, in order to make the training of GAN stable, numerous
regularization methods have been proposed in recent years. This paper reviews
the regularization methods that have been recently introduced, most of which
have been published in the last three years. Specifically, we focus on general
methods that can be commonly used regardless of neural network architectures.
To explore the latest research trends in the regularization for GANs, the
methods are classified into several groups by their operation principles, and
the differences between the methods are analyzed. Furthermore, to provide
practical knowledge of using these methods, we investigate popular methods that
have been frequently employed in state-of-the-art GANs. In addition, we discuss
the limitations in existing methods and propose future research directions.
- Abstract（参考訳）: その短い歴史にもかかわらず、GAN(Generative Adversarial Network)は、その本来の目的、すなわち合成サンプル生成を含む様々なタスクに広く研究され、利用されている。
しかし、さまざまなニューラルネットワークアーキテクチャを持つ異なるデータタイプにGANを適用することは、トレーニングの制限によって妨げられ、モデルが容易に分岐する。
このような悪名高いガンの訓練はよく知られており、多くの研究で取り扱われている。
その結果, GANのトレーニングを安定させるために, 近年, 多数の正規化手法が提案されている。
本稿では,最近導入された正規化手法について概説する。
具体的には、ニューラルネットワークアーキテクチャに関係なく、一般的に使用できる一般的な手法に焦点を当てる。
GANの正規化における最新の研究動向を探るため,これらの手法を運用原則によって複数のグループに分類し,その違いを分析した。
さらに,これらの手法の実践的知識を提供するために,現在最先端のGANでよく使われている一般的な手法について検討する。
また,既存手法の限界について考察し,今後の研究方向性を提案する。
関連論文リスト
- A singular Riemannian Geometry Approach to Deep Neural Networks III. Piecewise Differentiable Layers and Random Walks on $n$-dimensional Classes [49.32130498861987]
本稿ではReLUのような非微分可能活性化関数の事例について検討する。
最近の2つの研究は、ニューラルネットワークを研究するための幾何学的枠組みを導入した。
本稿では,画像の分類と熱力学問題に関する数値実験を行った。
論文 参考訳（メタデータ） (2024-04-09T08:11:46Z) - ODE Discovery for Longitudinal Heterogeneous Treatment Effects Inference [69.24516189971929]
本稿では, 閉形式常微分方程式(ODE)という, 縦条件下での新しい解法を提案する。
私たちはまだODEを学ぶために継続的な最適化に依存していますが、結果として生じる推論マシンはもはやニューラルネットワークではありません。
論文 参考訳（メタデータ） (2024-03-16T02:07:45Z) - A Recent Survey of Heterogeneous Transfer Learning [15.830786437956144]
異種移動学習は 様々なタスクにおいて 重要な戦略となっている。
データベースとモデルベースの両方のアプローチを網羅した60以上のHTLメソッドの広範なレビューを提供する。
自然言語処理,コンピュータビジョン,マルチモーダル学習,バイオメディシンの応用について検討する。
論文 参考訳（メタデータ） (2023-10-12T16:19:58Z) - Do Deep Neural Networks Contribute to Multivariate Time Series Anomaly
Detection? [12.419938668514042]
従来の機械学習とディープニューラルネットワークを用いた16種類の異常検出性能について検討した。
16の手法のそれぞれの性能を解析・比較することにより,他の手法よりも優れた手法群が存在しないことを示す。
論文 参考訳（メタデータ） (2022-04-04T16:32:49Z) - Recent Few-Shot Object Detection Algorithms: A Survey with Performance
Comparison [54.357707168883024]
Few-Shot Object Detection (FSOD)は、人間の学習能力を模倣する。
FSODは、学習した汎用オブジェクトの知識を共通のヘビーテールから新しいロングテールオブジェクトクラスにインテリジェントに転送する。
本稿では,問題定義,共通データセット,評価プロトコルなどを含むFSODの概要を紹介する。
論文 参考訳（メタデータ） (2022-03-27T04:11:28Z) - A Survey of Community Detection Approaches: From Statistical Modeling to
Deep Learning [95.27249880156256]
ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。
既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。
フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
論文 参考訳（メタデータ） (2021-01-03T02:32:45Z) - Continual Learning for Natural Language Generation in Task-oriented
Dialog Systems [72.92029584113676]
自然言語生成(NLG)はタスク指向対話システムにおいて重要な要素である。
我々は,NLGの知識を新たなドメインや機能に段階的に拡張する"継続的学習"環境で研究する。
この目標に対する大きな課題は、破滅的な忘れことであり、継続的に訓練されたモデルは、以前に学んだ知識を忘れがちである。
論文 参考訳（メタデータ） (2020-10-02T10:32:29Z) - A Unifying Review of Deep and Shallow Anomaly Detection [38.202998314502786]
我々は、様々な方法によって暗黙的に行われることの多い仮定と同様に、共通の根底にある原則を特定することを目的としている。
本稿では,最近の説明可能性技術を用いて,既存の主要な手法を実証的に評価する。
我々は、重要なオープン課題を概説し、異常検出における今後の研究の道筋を特定する。
論文 参考訳（メタデータ） (2020-09-24T14:47:54Z) - A Systematic Survey of Regularization and Normalization in GANs [25.188671290175208]
GAN(Generative Adversarial Networks)は、ディープニューラルネットワークの開発によって、さまざまなシナリオに広く適用されている。
GANが事前情報なしでターゲット分布に適合できるかどうかはまだ不明である。
正規化と正規化は、訓練を安定させ、差別を改善するために事前情報を導入する一般的な方法である。
論文 参考訳（メタデータ） (2020-08-19T12:52:10Z) - A Survey on Generative Adversarial Networks: Variants, Applications, and
Training [9.299132423767992]
GAN(Generative Adversarial Networks)は、教師なし学習の分野で大きな注目を集めている。
GANの優れた成功にもかかわらず、安定したトレーニングには依然として障害がある。
本稿では,GANトレーニングを安定させるために,異なる研究者が提案するいくつかのトレーニングソリューションについて調査する。
論文 参考訳（メタデータ） (2020-06-09T09:04:41Z) - A Review on Generative Adversarial Networks: Algorithms, Theory, and
Applications [154.4832792036163]
GAN(Generative Adversarial Network)は近年ホットな研究トピックである。
GANは2014年から広く研究され、多くのアルゴリズムが提案されている。
本稿では,アルゴリズム,理論,応用の観点から,様々なGAN手法のレビューを行う。
論文 参考訳（メタデータ） (2020-01-20T01:52:05Z)
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。