論文の概要: A Survey on Generative Adversarial Networks: Variants, Applications, and Training

• arxiv url: http://arxiv.org/abs/2006.05132v1
• Date: Tue, 9 Jun 2020 09:04:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-23 14:46:44.724906
• Title: A Survey on Generative Adversarial Networks: Variants, Applications, and Training
• Title（参考訳）: 生成型adversarial network: variants, applications, and trainingに関する調査研究
• Authors: Abdul Jabbar, Xi Li, and Bourahla Omar
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.299132423767992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Generative Models have gained considerable attention in the field of unsupervised learning via a new and practical framework called Generative Adversarial Networks (GAN) due to its outstanding data generation capability. Many models of GAN have proposed, and several practical applications emerged in various domains of computer vision and machine learning. Despite GAN's excellent success, there are still obstacles to stable training. The problems are due to Nash-equilibrium, internal covariate shift, mode collapse, vanishing gradient, and lack of proper evaluation metrics. Therefore, stable training is a crucial issue in different applications for the success of GAN. Herein, we survey several training solutions proposed by different researchers to stabilize GAN training. We survey, (I) the original GAN model and its modified classical versions, (II) detail analysis of various GAN applications in different domains, (III) detail study about the various GAN training obstacles as well as training solutions. Finally, we discuss several new issues as well as research outlines to the topic.
• Abstract（参考訳）: 生成モデルはその卓越したデータ生成能力のために、GAN(Generative Adversarial Networks)と呼ばれる新しい実践的なフレームワークを通じて教師なし学習の分野で大きな注目を集めている。 GANの多くのモデルが提案され、コンピュータビジョンと機械学習の様々な領域にいくつかの実用的な応用が現れた。 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まだ障害がある。 問題は、nash平衡、内部共変量シフト、モード崩壊、勾配の消失、適切な評価指標の欠如によるものである。 したがって、安定したトレーニングは、GANの成功のために異なるアプリケーションにおいて重要な問題である。 本稿では,ganトレーニングの安定化のために異なる研究者が提案するトレーニングソリューションについて検討する。 我々は,(I)オリジナルのGANモデルとその修正された古典版,(II)異なる領域における様々なGANアプリケーションの詳細解析,(III)各種GANトレーニング障害とトレーニングソリューションに関する詳細な研究を行った。 最後に、いくつかの新しい問題と、そのトピックに関する研究概要について論じる。

関連論文リスト

• A Survey on 3D Skeleton Based Person Re-Identification: Approaches, Designs, Challenges, and Future Directions [71.99165135905827]
  3Dスケルトンによる人物の再識別は、パターン認識コミュニティに大きな関心を惹きつける重要な研究分野である。 多くのアプリケーションシナリオにおいて顕著なアドバンテージを持つ3Dスケルトンに基づく人物再同定手法が近年提案されている。 本稿では,現在のSRIDアプローチ,モデル設計,課題,今後の方向性を体系的に調査する。
  論文  参考訳（メタデータ） (2024-01-27T04:52:24Z)
• 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)
• PASTA: Pretrained Action-State Transformer Agents [10.654719072766495]
  自己教師型学習は、様々なコンピューティング領域において革命的なパラダイムシフトをもたらした。 最近のアプローチでは、大量のラベルのないデータに基づいて、トランスフォーマーモデルを事前訓練する。 強化学習において、研究者は最近これらのアプローチに適応し、専門家の軌道で事前訓練されたモデルを開発した。
  論文  参考訳（メタデータ） (2023-07-20T15:09:06Z)
• Foundation Models for Decision Making: Problems, Methods, and Opportunities [124.79381732197649]
  大規模に多様なデータに基づいて事前訓練された基礎モデルは、幅広いビジョンと言語タスクにおいて異常な能力を示してきた。 ファンデーションモデルをトレーニングし、他のエージェントと対話し、長期的な推論を行うための新しいパラダイムが生まれている。 基礎モデルと意思決定の交わりにおける研究は、強力な新しいシステムを作るための大きな約束である。
  論文  参考訳（メタデータ） (2023-03-07T18:44:07Z)
• Attention Diversification for Domain Generalization [92.02038576148774]
  畳み込みニューラルネットワーク(CNN)は、識別的特徴を学習する際の満足度を実証している。 目に見えないドメインに適用する場合、最先端のモデルは通常、ドメインシフトによってエラーを起こしやすい。 そこで本研究では,モデル内およびモデル間アテンションの多角化を協調的に行う,新しいアテンションの多様化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-09T09:15:21Z)
• Generative Adversarial Network: Some Analytical Perspectives [4.933916728941277]
  generative adversarial networks (gans) は多くの注目を集めている。 GANモデルの様々なバリエーションが開発され、実際に異なる用途に適合している。 GANの性能と訓練に関する問題は, 様々な理論的観点から注目され, 検討されている。
  論文  参考訳（メタデータ） (2021-04-25T17:12:32Z)
• Discovering Diverse Solutions in Deep Reinforcement Learning [84.45686627019408]
  強化学習アルゴリズムは通常、特定のタスクの単一のソリューションを学ぶことに限定される。 連続的あるいは離散的な低次元潜在変数に条件付きポリシーを訓練することにより、無限に多くの解を学習できるRL法を提案する。
  論文  参考訳（メタデータ） (2021-03-12T04:54:31Z)
• Training Generative Adversarial Networks in One Stage [58.983325666852856]
  本稿では,1段階のみに効率よくGANを訓練できる汎用的なトレーニング手法を提案する。 提案手法は,データフリーな知識蒸留など,他の逆学習シナリオにも容易に適用可能であることを示す。
  論文  参考訳（メタデータ） (2021-02-28T09:03:39Z)
• 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)
• Regularization Methods for Generative Adversarial Networks: An Overview of Recent Studies [3.829070379776576]
  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。
  論文  参考訳（メタデータ） (2020-05-19T01:59:24Z)

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。