論文の概要: FedGAN: Federated Generative Adversarial Networks for Distributed Data

• arxiv url: http://arxiv.org/abs/2006.07228v2
• Date: Mon, 15 Jun 2020 06:38:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 02:13:52.174436
• Title: FedGAN: Federated Generative Adversarial Networks for Distributed Data
• Title（参考訳）: fedgan: 分散データのためのfederated generative adversarial network
• Authors: Mohammad Rasouli, Tao Sun, Ram Rajagopal
• Abstract要約: 我々は,非独立分散データソースの分散ソース間でGANをトレーニングするためのフェデレーション・ジェネラル・アドバイサル・ネットワーク(FedGAN)を提案する。 ローカルジェネレータとディスクリミネータを使用し、インターメディアを介して定期的に同期し、ジェネレータとディスクリミネータパラメータを平均化しブロードキャストします。 我々は、FedGANが収束し、一般的な分散GANと同等の性能を持つことを示したが、通信の複雑さは減少する。
• 参考スコア（独自算出の注目度）: 9.812506929134424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose Federated Generative Adversarial Network (FedGAN) for training a GAN across distributed sources of non-independent-and-identically-distributed data sources subject to communication and privacy constraints. Our algorithm uses local generators and discriminators which are periodically synced via an intermediary that averages and broadcasts the generator and discriminator parameters. We theoretically prove the convergence of FedGAN with both equal and two time-scale updates of generator and discriminator, under standard assumptions, using stochastic approximations and communication efficient stochastic gradient descents. We experiment FedGAN on toy examples (2D system, mixed Gaussian, and Swiss role), image datasets (MNIST, CIFAR-10, and CelebA), and time series datasets (household electricity consumption and electric vehicle charging sessions). We show FedGAN converges and has similar performance to general distributed GAN, while reduces communication complexity. We also show its robustness to reduced communications.
• Abstract（参考訳）: 通信やプライバシーの制約を受ける非独立分散データソースの分散ソース間でGANをトレーニングするためのFedGAN(Federated Generative Adversarial Network)を提案する。 本アルゴリズムは,ジェネレータと識別器のパラメータを平均し,ブロードキャストする中間体を介して周期的に同期するローカルジェネレータと判別器を用いる。 我々は,確率近似と通信効率のよい確率勾配勾配を用いて,FedGANとジェネレータと判別器の等時および2つの時間的更新による収束を理論的に証明する。 おもちゃの例(2Dシステム,混合ガウスロール,スイスロール),画像データセット(MNIST,CIFAR-10,CelebA),時系列データセット(家庭用電力消費および電気自動車充電セッション)について実験を行った。 我々は、FedGANが収束し、一般的な分散GANと同等の性能を持つことを示した。 通信の削減にも堅牢性を示します。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Directed Chain Generative Adversarial Networks [6.445605125467574]
  直列連系GAN(DC-GAN)と呼ばれる新しい時系列生成器を提案する。 DC-GANは、近隣プロセスと同じ分布の新しい時系列を生成することができる。 分散度、データ類似度、予測能力に関して、最先端のベンチマークを一貫して上回る。
  論文  参考訳（メタデータ） (2023-04-25T20:17:42Z)
• Diffusion-GAN: Training GANs with Diffusion [135.24433011977874]
  GAN(Generative Adversarial Network)は、安定してトレーニングすることが難しい。 フォワード拡散チェーンを利用してインスタンスノイズを生成する新しいGANフレームワークであるDiffusion-GANを提案する。 我々は,Diffusion-GANにより,最先端のGANよりも高い安定性とデータ効率で,よりリアルな画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2022-06-05T20:45:01Z)
• Self-Conditioned Generative Adversarial Networks for Image Editing [61.50205580051405]
  Generative Adversarial Networks (GAN) はバイアスの影響を受けやすい。 我々は、このバイアスが公平性だけでなく、分布のコアから逸脱する際の潜在トラバース編集手法の崩壊に重要な役割を果たしていると論じる。
  論文  参考訳（メタデータ） (2022-02-08T18:08:24Z)
• Generation of data on discontinuous manifolds via continuous stochastic non-invertible networks [6.201770337181472]
  連続ネットワークを用いて不連続分布を生成する方法を示す。 コスト関数と情報理論の定式化の関係を導出する。 提案手法を合成2次元分布に適用し,不連続分布の再構成と生成の両立を実証する。
  論文  参考訳（メタデータ） (2021-12-17T17:39:59Z)
• On Convergence of Federated Averaging Langevin Dynamics [22.013125418713763]
  本稿では,分散クライアントを用いた不確実性定量化と平均予測のための平均ランゲヴィンアルゴリズム(FA-LD)を提案する。 非可解データを用いた強対数分布に対するFA-LDの理論的保証を開発する。 部分的なデバイス更新のみが可能な,さまざまな平均化スキームに基づく収束結果を示す。
  論文  参考訳（メタデータ） (2021-12-09T18:54:29Z)
• Decentralized Local Stochastic Extra-Gradient for Variational Inequalities [125.62877849447729]
  我々は、不均一(非IID)で多くのデバイスに分散する問題データを持つ領域上での分散変分不等式(VIs)を考察する。 我々は、完全に分散化された計算の設定を網羅する計算ネットワークについて、非常に一般的な仮定を行う。 理論的には, モノトン, モノトンおよび非モノトンセッティングにおける収束速度を理論的に解析する。
  論文  参考訳（メタデータ） (2021-06-15T17:45:51Z)
• 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。