論文の概要: Partially Conditioned Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2007.02845v1
• Date: Mon, 6 Jul 2020 15:59:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 01:43:39.121949
• Title: Partially Conditioned Generative Adversarial Networks
• Title（参考訳）: 部分条件付き生成型adversarial network
• Authors: Francisco J. Ibarrola, Nishant Ravikumar and Alejandro F. Frangi
• Abstract要約: Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。 条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。 本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
• 参考スコア（独自算出の注目度）: 75.08725392017698
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative models are undoubtedly a hot topic in Artificial Intelligence, among which the most common type is Generative Adversarial Networks (GANs). These architectures let one synthesise artificial datasets by implicitly modelling the underlying probability distribution of a real-world training dataset. With the introduction of Conditional GANs and their variants, these methods were extended to generating samples conditioned on ancillary information available for each sample within the dataset. From a practical standpoint, however, one might desire to generate data conditioned on partial information. That is, only a subset of the ancillary conditioning variables might be of interest when synthesising data. In this work, we argue that standard Conditional GANs are not suitable for such a task and propose a new Adversarial Network architecture and training strategy to deal with the ensuing problems. Experiments illustrating the value of the proposed approach in digit and face image synthesis under partial conditioning information are presented, showing that the proposed method can effectively outperform the standard approach under these circumstances.
• Abstract（参考訳）: 生成モデルは、間違いなく人工知能のホットトピックであり、最も一般的なタイプはジェネレーティブ・アドバイサル・ネットワーク(GAN)である。 これらのアーキテクチャにより、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成できる。 Conditional GANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。 しかし、実際的な観点からは、部分的情報に基づくデータ生成を希望する場合がある。 つまり、データ合成において、補助条件変数のサブセットのみが興味を持つ可能性がある。 本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,次の問題に対処するための新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。 数値と顔画像合成における提案手法の価値を示す実験を行い,提案手法が,これらの状況下での標準手法を効果的に上回ることができることを示す。

関連論文リスト

• Exploring the Landscape for Generative Sequence Models for Specialized Data Synthesis [0.0]
  本稿では, 複雑度の異なる3つの生成モデルを用いて, 悪意ネットワークトラフィックを合成する手法を提案する。 提案手法は,数値データをテキストに変換し,言語モデリングタスクとして再フレーミングする。 提案手法は,高忠実度合成データの生成において,最先端の生成モデルを超えている。
  論文  参考訳（メタデータ） (2024-11-04T09:51:10Z)
• Multi-objective evolutionary GAN for tabular data synthesis [0.873811641236639]
  合成データは統計機関や他の統計データ生成装置によるデータ共有において重要な役割を果たしている。 本稿では,SMOE-CTGAN(SMOE-CTGAN)を合成データとして提案する。 以上の結果から,SMOE-CTGANは,複数の国勢調査データセットに対して,異なるリスクと実用レベルを持つ合成データセットを発見可能であることが示唆された。
  論文  参考訳（メタデータ） (2024-04-15T23:07:57Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Reimagining Synthetic Tabular Data Generation through Data-Centric AI: A Comprehensive Benchmark [56.8042116967334]
  合成データは、機械学習モデルのトレーニングの代替となる。 合成データが現実世界データの複雑なニュアンスを反映することを保証することは、難しい作業です。 本稿では,データ中心型AI技術の統合による合成データ生成プロセスのガイドの可能性について検討する。
  論文  参考訳（メタデータ） (2023-10-25T20:32:02Z)
• Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
  生成過程が下流MLタスクにどのように影響するかを示す。 本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
  論文  参考訳（メタデータ） (2023-05-16T07:30:29Z)
• FairGen: Fair Synthetic Data Generation [0.3149883354098941]
  本稿では,GANアーキテクチャに依存しないより公平な合成データを生成するパイプラインを提案する。 合成データを生成する場合、ほとんどのGANはトレーニングデータに存在するバイアスを増幅するが、これらのバイアスを誘発するサンプルを除去することで、GANは本質的に真の情報的サンプルに重点を置いている、と我々は主張する。
  論文  参考訳（メタデータ） (2022-10-24T08:13:47Z)
• A Kernelised Stein Statistic for Assessing Implicit Generative Models [10.616967871198689]
  本稿では,合成データ生成装置の品質を評価するための基本手法を提案する。 合成データ生成装置からのサンプルサイズは所望の大きさで、生成装置がエミュレートすることを目的とした観測データのサイズは固定される。
  論文  参考訳（メタデータ） (2022-05-31T23:40:21Z)
• Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
  そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。 両手法の有効性とロバスト性を実証的に示す。 我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
  論文  参考訳（メタデータ） (2022-05-12T17:03:57Z)
• Creating Synthetic Datasets via Evolution for Neural Program Synthesis [77.34726150561087]
  いくつかのプログラム合成手法は、ランダムに生成された例と異なるデータ分布によく一般化されていることを示す。 本稿では, 合成データ分布のバイアスを制御し, 現在の手法より優れていることを示すための, 新たな敵対的手法を提案する。
  論文  参考訳（メタデータ） (2020-03-23T18:34:15Z)
• Assembling Semantically-Disentangled Representations for Predictive-Generative Models via Adaptation from Synthetic Domain [32.42156485883356]
  物理ベースエンジンの助けを借りて意味的に整合した表現を生成可能であることを示す。 提案手法は,実際のデータラベルに依存することなく,人間の顔特性の条件生成モデルを構築することができる。
  論文  参考訳（メタデータ） (2020-02-23T03:35:45Z)

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。