論文の概要: Host-Pathongen Co-evolution Inspired Algorithm Enables Robust GAN Training

• arxiv url: http://arxiv.org/abs/2006.04720v2
• Date: Tue, 9 Jun 2020 11:21:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 08:14:25.459858
• Title: Host-Pathongen Co-evolution Inspired Algorithm Enables Robust GAN Training
• Title（参考訳）: Host-Pathongen共進化型アルゴリズムによってロバストGANトレーニングが可能に
• Authors: Andrei Kucharavy (1), El Mahdi El Mhamdi (1) and Rachid Guerraoui (1) ((1) Ecole Polytechnique Federale de Lausanne, Lausanne, Switzerland)
• Abstract要約: GAN(Generative Adversarial Network)は、互いに訓練されたニューラルネットワークのペアである。 GANは、現実の映画、画像、テキストの印象的な模倣を生み出すことができました。 我々は、より堅牢なGAN訓練アルゴリズムを提案し、より少ない計算力を使用しながら、高品質な画像を生成するための安定性と優れた能力を実証的に示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative adversarial networks (GANs) are pairs of artificial neural networks that are trained one against each other. The outputs from a generator are mixed with the real-world inputs to the discriminator and both networks are trained until an equilibrium is reached, where the discriminator cannot distinguish generated inputs from real ones. Since their introduction, GANs have allowed for the generation of impressive imitations of real-life films, images and texts, whose fakeness is barely noticeable to humans. Despite their impressive performance, training GANs remains to this day more of an art than a reliable procedure, in a large part due to training process stability. Generators are susceptible to mode dropping and convergence to random patterns, which have to be mitigated by computationally expensive multiple restarts. Curiously, GANs bear an uncanny similarity to a co-evolution of a pathogen and its host's immune system in biology. In a biological context, the majority of potential pathogens indeed never make it and are kept at bay by the hots' immune system. Yet some are efficient enough to present a risk of a serious condition and recurrent infections. Here, we explore that similarity to propose a more robust algorithm for GANs training. We empirically show the increased stability and a better ability to generate high-quality images while using less computational power.
• Abstract（参考訳）: generative adversarial network (gans) は、互いに訓練されたニューラルネットワークのペアである。 生成器からの出力は判別器への実世界の入力と混合され、両ネットワークは均衡に達するまで訓練され、判別器は生成された入力と実入力を区別できない。 導入以来、ガンは現実の映画、画像、テキストの印象的な模倣を生成できるようになり、その偽物は人間にとってほとんど目立たない。 優れたパフォーマンスにもかかわらず、GANのトレーニングは、トレーニングプロセスの安定性のために、信頼性の高い手順というよりも、現在でもなお芸術である。 ジェネレータはモードの低下やランダムパターンへの収束に影響を受けやすく、計算コストの高い多重再起動によって緩和されなければならない。 奇妙なことに、GANは病原体の共進化と生物学における宿主の免疫系に非常に似ている。 生物学的な文脈では、潜在的な病原体の大多数は決して作らず、ホットズの免疫系によって保たれる。 しかし、深刻な状態と再発する感染のリスクが生じるほど効率的であるものもある。 ここでは,gans学習のためのよりロバストなアルゴリズムを提案する。 計算能力の低下を伴いながら,安定性の向上と高品質画像生成能力の向上を実証的に示した。

関連論文リスト

• Parallelly Tempered Generative Adversarial Networks [7.94957965474334]
  生成的敵対ネットワーク(GAN)は、生成的人工知能(AI)における代表的バックボーンモデルである。 本研究は,モード崩壊の存在下でのトレーニングの不安定性と非効率性を,対象分布におけるマルチモーダルにリンクすることで解析する。 新たに開発したGAN目標関数により, 生成元は同時に全ての誘電分布を学習することができる。
  論文  参考訳（メタデータ） (2024-11-18T18:01:13Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• Breaking Free: How to Hack Safety Guardrails in Black-Box Diffusion Models! [52.0855711767075]
  EvoSeedは、フォトリアリスティックな自然対向サンプルを生成するための進化戦略に基づくアルゴリズムフレームワークである。 我々は,CMA-ESを用いて初期種ベクトルの探索を最適化し,条件付き拡散モデルで処理すると,自然逆数サンプルをモデルで誤分類する。 実験の結果, 生成した対向画像は画像品質が高く, 安全分類器を通過させることで有害なコンテンツを生成する懸念が高まっていることがわかった。
  論文  参考訳（メタデータ） (2024-02-07T09:39:29Z)
• Effective Dynamics of Generative Adversarial Networks [16.51305515824504]
  GAN(Generative Adversarial Network)は、新しいサンプルを生成するために対人訓練を使用する機械学習モデルのクラスである。 モード崩壊と呼ばれるトレーニング失敗の1つの主要な形態は、ジェネレータがターゲット確率分布におけるモードの完全な多様性を再現できないことである。 本稿では,ジェネレータニューラルネットワークを出力空間内の粒子の集合に置き換えることで,学習ダイナミクスを捕捉するGANトレーニングの効果的なモデルを提案する。
  論文  参考訳（メタデータ） (2022-12-08T22:04:01Z)
• Fostering Diversity in Spatial Evolutionary Generative Adversarial Networks [10.603020431394157]
  本稿では,空間分布型CoE-GANであるMustangsを紹介する。 MNISTとCelebAの実験分析により、ムスタングは統計的により正確な発電機を訓練することを示した。
  論文  参考訳（メタデータ） (2021-06-25T12:40:36Z)
• HumanACGAN: conditional generative adversarial network with human-based auxiliary classifier and its evaluation in phoneme perception [52.76447516087089]
  本研究では,人間の知覚的評価を取り入れた条件付き生成逆ネットワーク(GAN)を提案する。 GANのディープニューラルネットワーク(DNN)ベースのジェネレータは、実データ分布を正確に表現できるが、人間の受容可能な分布を表現できない。 本稿では,HumanGANの理論的拡張であるHumanACGANを提案する。
  論文  参考訳（メタデータ） (2021-02-08T08:25:29Z)
• 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)
• A multi-agent evolutionary robotics framework to train spiking neural networks [35.90048588096738]
  スパイクニューラルネットワーク(snn)を訓練するための新しいマルチエージェント進化ロボティクス(er)ベースのフレームワーク SNNの集団の重みと制御するボットの形態学的パラメータは表現型として扱われる。 フレームワークのルールは、特定のボットとそのSNNを選択して、競争環境において食物を捕獲する効果に基づいて、その除去を行う。
  論文  参考訳（メタデータ） (2020-12-07T07:26:52Z)
• Learning Efficient GANs for Image Translation via Differentiable Masks and co-Attention Distillation [130.30465659190773]
  Generative Adversarial Networks (GAN) は画像翻訳において広く利用されているが、その高い計算とストレージコストがモバイルデバイスへの展開を妨げる。 DMADと呼ばれる新しいGAN圧縮手法を提案する。 実験の結果、DMADはCycleGANのMultiply Accumulate Operations (MAC)を13倍、Pix2Pixを4倍削減し、フルモデルに匹敵する性能を維持することができた。
  論文  参考訳（メタデータ） (2020-11-17T02:39:19Z)
• 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)
• Feature Purification: How Adversarial Training Performs Robust Deep Learning [66.05472746340142]
  ニューラルネットワークのトレーニングプロセス中に隠れた重みに、特定の小さな密度の混合物が蓄積されることが、敵の例の存在の原因の1つであることを示す。 この原理を説明するために、CIFAR-10データセットの両実験と、ある自然な分類タスクに対して、ランダムな勾配勾配勾配を用いた2層ニューラルネットワークをトレーニングすることを証明する理論的結果を示す。
  論文  参考訳（メタデータ） (2020-05-20T16:56:08Z)

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。