論文の概要: Generative Adversarial Networks (GANs): An Overview of Theoretical
Model, Evaluation Metrics, and Recent Developments
- arxiv url: http://arxiv.org/abs/2005.13178v1
- Date: Wed, 27 May 2020 05:56:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-28 08:49:20.928200
- Title: Generative Adversarial Networks (GANs): An Overview of Theoretical
Model, Evaluation Metrics, and Recent Developments
- Title（参考訳）: generative adversarial networks (gans):理論モデル、評価指標および最近の開発の概要
- Authors: Pegah Salehi, Abdolah Chalechale, Maryam Taghizadeh
- Abstract要約: GAN(Generative Adversarial Network)は,大規模データ分散のサンプルを作成する上で有効な手法である。
GANはラベル付きトレーニングデータを広く使用せずにディープ表現を学習する適切な方法を提供する。
GANでは、ジェネレータと識別器のネットワークを同時にトレーニングする競合プロセスを通じて生成モデルを推定する。
- 参考スコア（独自算出の注目度）: 9.023847175654602
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: One of the most significant challenges in statistical signal processing and
machine learning is how to obtain a generative model that can produce samples
of large-scale data distribution, such as images and speeches. Generative
Adversarial Network (GAN) is an effective method to address this problem. The
GANs provide an appropriate way to learn deep representations without
widespread use of labeled training data. This approach has attracted the
attention of many researchers in computer vision since it can generate a large
amount of data without precise modeling of the probability density function
(PDF). In GANs, the generative model is estimated via a competitive process
where the generator and discriminator networks are trained simultaneously. The
generator learns to generate plausible data, and the discriminator learns to
distinguish fake data created by the generator from real data samples. Given
the rapid growth of GANs over the last few years and their application in
various fields, it is necessary to investigate these networks accurately. In
this paper, after introducing the main concepts and the theory of GAN, two new
deep generative models are compared, the evaluation metrics utilized in the
literature and challenges of GANs are also explained. Moreover, the most
remarkable GAN architectures are categorized and discussed. Finally, the
essential applications in computer vision are examined.
- Abstract（参考訳）: 統計信号処理と機械学習における最も重要な課題の1つは、画像や音声などの大規模データ分布のサンプルを生成できる生成モデルを得る方法である。
GAN(Generative Adversarial Network)は,この問題に対処する有効な手法である。
GANはラベル付きトレーニングデータを広く使用せずにディープ表現を学習する適切な方法を提供する。
このアプローチは、確率密度関数(pdf)を正確にモデル化することなく大量のデータを生成することができるため、コンピュータビジョンにおける多くの研究者の注目を集めている。
GANでは、ジェネレータと識別器のネットワークを同時にトレーニングする競合プロセスを通じて生成モデルを推定する。
ジェネレータは可塑性データを生成することを学習し、識別器はジェネレータが生成した偽データを実際のデータサンプルと区別する。
近年のGANの急速な成長と様々な分野への応用を考えると,これらのネットワークを正確に調査する必要がある。
本稿では, GANの主概念と理論を導入し, 2つの新しい深層生成モデルを比較し, GANの文献や課題に活用される評価指標についても解説する。
さらに、最も注目すべきGANアーキテクチャを分類し、議論する。
最後に,コンピュータビジョンにおける本質的応用について検討する。
関連論文リスト
- Generative adversarial networks for data-scarce spectral applications [0.0]
合成スペクトルデータ生成分野におけるGANの応用について報告する。
CWGANは,低データ方式の性能向上を図り,サロゲートモデルとして機能することを示す。
論文 参考訳（メタデータ） (2023-07-14T16:27:24Z) - Generative Adversarial Reduced Order Modelling [0.0]
本稿ではGAROMについて述べる。GAN(Generative Adversarial Network)に基づくリダクション・オーダー・モデリング(ROM)の新しいアプローチである。
GANはデータ配布を学習し、よりリアルなデータを生成する可能性がある。
本研究では,パラメータ微分方程式の解を学習可能なデータ駆動生成逆数モデルを導入することにより,GANとROMの枠組みを組み合わせる。
論文 参考訳（メタデータ） (2023-05-25T09:23:33Z) - On-Device Domain Generalization [93.79736882489982]
ドメインの一般化はデバイス上の機械学習アプリケーションにとって重要である。
知識蒸留がこの問題の解決の有力な候補であることがわかった。
本研究では,教師が配布外データをどのように扱えるかを学生に教えることを目的とした,配布外知識蒸留(OKD)という簡単なアイデアを提案する。
論文 参考訳（メタデータ） (2022-09-15T17:59:31Z) - Data-Free Adversarial Knowledge Distillation for Graph Neural Networks [62.71646916191515]
グラフ構造化データ(DFAD-GNN)を用いたデータフリー逆知識蒸留のための第1のエンドツーエンドフレームワークを提案する。
具体的には、DFAD-GNNは、教師モデルと学生モデルとを2つの識別器とみなし、教師モデルから学生モデルに知識を抽出するために学習グラフを導出するジェネレータという、主に3つの成分からなる生成的対向ネットワークを採用している。
我々のDFAD-GNNは、グラフ分類タスクにおける最先端のデータフリーベースラインを大幅に上回っている。
論文 参考訳（メタデータ） (2022-05-08T08:19:40Z) - Generative Adversarial Networks (GANs) in Networking: A Comprehensive
Survey & Evaluation [5.196831100533835]
GAN(Generative Adversarial Networks)は、広く研究された機械学習サブフィールドである。
GANは一般的に合成画像の生成や変換に用いられる。
本稿では、この機械学習の分岐が、コンピュータと通信ネットワークの複数の側面にどのように役立つかを実証する。
論文 参考訳（メタデータ） (2021-05-10T08:28:36Z) - On the Fairness of Generative Adversarial Networks (GANs) [1.061960673667643]
GAN(Generative adversarial Network)は、近年のAIの最大の進歩の1つです。
本稿では,GANモデルの公平性に関する問題を分析し,強調する。
論文 参考訳（メタデータ） (2021-03-01T12:25:01Z) - Improving Generative Adversarial Networks with Local Coordinate Coding [150.24880482480455]
GAN(Generative Adversarial Network)は、事前定義された事前分布から現実的なデータを生成することに成功している。
実際には、意味情報はデータから学んだ潜在的な分布によって表現される。
ローカル座標符号化(LCC)を用いたLCCGANモデルを提案する。
論文 参考訳（メタデータ） (2020-07-28T09:17:50Z) - Lessons Learned from the Training of GANs on Artificial Datasets [0.0]
GAN(Generative Adversarial Networks)は,近年,現実的な画像の合成において大きな進歩を遂げている。
GANは不適合や過度に適合する傾向があり、分析が困難で制約を受ける。
無限に多くのサンプルがあり、実際のデータ分布は単純である人工データセットでトレーニングする。
GANのトレーニング混合物はネットワークの深さや幅を増大させるよりもパフォーマンスが向上することがわかった。
論文 参考訳（メタデータ） (2020-07-13T14:51:02Z) - Discriminator Contrastive Divergence: Semi-Amortized Generative Modeling
by Exploring Energy of the Discriminator [85.68825725223873]
GAN(Generative Adversarial Networks)は、高次元データのモデリングにおいて大きな可能性を秘めている。
本稿では,WGANの識別器の特性を活かした識別器コントラストの多様性について紹介する。
我々は、合成データと実世界の画像生成ベンチマークの両方において、大幅に改善された生成の利点を実証する。
論文 参考訳（メタデータ） (2020-04-05T01:50:16Z) - GANs with Conditional Independence Graphs: On Subadditivity of
Probability Divergences [70.30467057209405]
GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。
GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。
本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
論文 参考訳（メタデータ） (2020-03-02T04:31:22Z) - Brainstorming Generative Adversarial Networks (BGANs): Towards
Multi-Agent Generative Models with Distributed Private Datasets [70.62568022925971]
生成的敵ネットワーク(GAN)は、データ空間を適切に表現する大規模なデータセットによって供給されなければならない。
多くのシナリオでは、利用可能なデータセットは制限され、複数のエージェントに分散する可能性がある。
本稿では,BGAN(Breepstorming GAN)アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-02-02T02:58:32Z)
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。