Fugu-MT 論文翻訳(概要): Ensembles of Generative Adversarial Networks for Disconnected Data

論文の概要: Ensembles of Generative Adversarial Networks for Disconnected Data

arxiv url: http://arxiv.org/abs/2006.14600v1
Date: Thu, 25 Jun 2020 17:44:40 GMT
ステータス: 処理完了
システム内更新日: 2022-11-17 03:22:12.529754
Title: Ensembles of Generative Adversarial Networks for Disconnected Data
Title（参考訳）: 離散データのための生成逆ネットワークのアンサンブル
Authors: Lorenzo Luzi, Randall Balestriero, Richard G. Baraniuk
Abstract要約: アンサンブルは実際には切り裂かれた分布よりも望ましいことを示す。このフレームワークは、単一の連続的なGANやcGANよりもパフォーマンスが良く、合計パラメータは少ない。
参考スコア（独自算出の注目度）: 29.701888716690068
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Most current computer vision datasets are composed of disconnected sets, such as images from different classes. We prove that distributions of this type of data cannot be represented with a continuous generative network without error. They can be represented in two ways: With an ensemble of networks or with a single network with truncated latent space. We show that ensembles are more desirable than truncated distributions in practice. We construct a regularized optimization problem that establishes the relationship between a single continuous GAN, an ensemble of GANs, conditional GANs, and Gaussian Mixture GANs. This regularization can be computed efficiently, and we show empirically that our framework has a performance sweet spot which can be found with hyperparameter tuning. This ensemble framework allows better performance than a single continuous GAN or cGAN while maintaining fewer total parameters.
Abstract（参考訳）: 現在のコンピュータビジョンデータセットの多くは、異なるクラスの画像など、切断された集合で構成されている。このタイプのデータの分布は、誤りなく連続的な生成ネットワークでは表現できないことを実証する。それらは2つの方法で表現できる: ネットワークのアンサンブルと、切断された潜在空間を持つ単一のネットワークである。アンサンブルは実際には切り裂かれた分布よりも望ましいことを示す。我々は,単一連続GAN,GANのアンサンブル,条件付きGAN,ガウス混合GANの関係を確立する正規化された最適化問題を構築する。この正規化は効率よく計算でき、我々のフレームワークにはハイパーパラメータチューニングによるパフォーマンススイートスポットがあることを実証的に示す。このアンサンブルフレームワークは、単一の連続GANやcGANよりもパフォーマンスが良く、総パラメータは少ない。

関連論文リスト

Signed Diverse Multiplex Networks: Clustering and Inference [4.070200285321219]
設定は多重バージョンに拡張され、すべてのレイヤが同じノードのコレクションを持ち、SGRDPGに従う。まず,ネットワーク構築過程におけるエッジの符号の保持が,推定とクラスタリングの精度の向上につながることを示す。第二に、新しいアルゴリズムを用いることで、階層の強い一貫したクラスタリングと、部分空間推定の高精度を保証できる。
論文参考訳（メタデータ） (2024-02-14T19:37:30Z)
SMaRt: Improving GANs with Score Matching Regularity [94.81046452865583]
生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることを示す。スコアマッチング規則性(SMaRt)を用いたGANの最適化を提案する。
論文参考訳（メタデータ） (2023-11-30T03:05:14Z)
Joint Bayesian Inference of Graphical Structure and Parameters with a Single Generative Flow Network [59.79008107609297]
本稿では,ベイジアンネットワークの構造上の結合後部を近似する手法を提案する。サンプリングポリシが2フェーズプロセスに従う単一のGFlowNetを使用します。パラメータは後部分布に含まれるため、これは局所確率モデルに対してより柔軟である。
論文参考訳（メタデータ） (2023-05-30T19:16:44Z)
Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文参考訳（メタデータ） (2021-12-15T09:50:25Z)
A Unified View of cGANs with and without Classifiers [24.28407308818025]
Conditional Generative Adversarial Networks (cGANs) は、クラス条件分布からサンプリングできる暗黙の生成モデルである。いくつかの代表的cGANは、分類器を使わずに最先端のパフォーマンスに到達するのを避ける。本研究では,cGANを改善するために,分類器を適切に活用できることを実証する。
論文参考訳（メタデータ） (2021-11-01T15:36:33Z)
CoarSAS2hvec: Heterogeneous Information Network Embedding with Balanced Network Sampling [0.0]
不均一情報ネットワーク(HIN)埋め込みは、異なる性質のエンティティ間の近接性を保持するノードの表現を見つけることを目的としている。広く採用されているアプローチの族は、異種コンテキストのシーケンスを生成するためにランダムウォークを適用している。 HINの多部グラフ構造のため、ハブノードはサンプルシーケンスで過剰に表現される傾向にあり、ネットワークの不均衡なサンプルが発生する。
論文参考訳（メタデータ） (2021-10-12T08:34:39Z)
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)
Reciprocal Adversarial Learning via Characteristic Functions [12.961770002117142]
GAN(Generative Adversarial Nets)は、複雑な分散を伴うタスクに好まれるツールである。特徴関数(CF)を用いて分布を時間ではなく時間的に比較する方法を示す。次に、逆数が存在する場合の埋め込み領域とデータ領域の等価性を証明し、自動エンコーダ構造で自然にGANを開発する。この効率的な構造は、単純なトレーニング戦略とともに2つのモジュールのみを使用して、双方向で鮮明な画像を生成する。
論文参考訳（メタデータ） (2020-06-15T14:04:55Z)
Consistency of Spectral Clustering on Hierarchical Stochastic Block Models [5.983753938303726]
実世界のネットワークにおけるコミュニティの階層構造について,汎用ブロックモデルを用いて検討する。本手法の強い一貫性を,幅広いモデルパラメータで証明する。既存のほとんどの研究とは異なり、我々の理論は接続確率が桁違いに異なるかもしれないマルチスケールネットワークをカバーしている。
論文参考訳（メタデータ） (2020-04-30T01:08:59Z)
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。