論文の概要: Rewriting a Deep Generative Model
- arxiv url: http://arxiv.org/abs/2007.15646v1
- Date: Thu, 30 Jul 2020 17:58:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-05 13:48:24.754876
- Title: Rewriting a Deep Generative Model
- Title（参考訳）: 深い生成モデルを書き直す
- Authors: David Bau, Steven Liu, Tongzhou Wang, Jun-Yan Zhu, Antonio Torralba
- Abstract要約: 我々は,深層生成モデルによって符号化された特定の規則の操作という,新たな問題設定を導入する。
本稿では,ディープネットワークの層を線形連想メモリとして操作することで,所望のルールを変更する定式化を提案する。
本稿では,生成モデルのルールを対話的に変更し,望ましい効果を得られるユーザインタフェースを提案する。
- 参考スコア（独自算出の注目度）: 56.91974064348137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A deep generative model such as a GAN learns to model a rich set of semantic
and physical rules about the target distribution, but up to now, it has been
obscure how such rules are encoded in the network, or how a rule could be
changed. In this paper, we introduce a new problem setting: manipulation of
specific rules encoded by a deep generative model. To address the problem, we
propose a formulation in which the desired rule is changed by manipulating a
layer of a deep network as a linear associative memory. We derive an algorithm
for modifying one entry of the associative memory, and we demonstrate that
several interesting structural rules can be located and modified within the
layers of state-of-the-art generative models. We present a user interface to
enable users to interactively change the rules of a generative model to achieve
desired effects, and we show several proof-of-concept applications. Finally,
results on multiple datasets demonstrate the advantage of our method against
standard fine-tuning methods and edit transfer algorithms.
- Abstract（参考訳）: GANのような深層生成モデルは、対象の分布に関する豊富な意味的および物理的ルールのセットをモデル化することを学ぶが、これまで、そのようなルールがどのようにネットワーク内にエンコードされているか、どのようにルールを変更するのかは明らかになっていない。
本稿では、深層生成モデルによって符号化される特定のルールの操作という新しい問題設定を提案する。
この問題に対処するために,線形連想メモリとしてディープネットワークの層を操作することにより,所望のルールが変更される定式化を提案する。
我々は,連想メモリの1つのエントリを変更するアルゴリズムを導出し,いくつかの興味深い構造規則を最先端生成モデルの層内に配置し,修正できることを実証する。
生成モデルのルールを対話的に変更して望ましい効果を達成するためのユーザインタフェースを提案し,いくつかの概念実証アプリケーションを示す。
最後に,複数のデータセット上の結果から,標準的な微調整手法や編集転送アルゴリズムに対する手法の利点を示す。
関連論文リスト
- A Scalable Matrix Visualization for Understanding Tree Ensemble Classifiers [20.416696003269674]
本稿では,数万のルールを含む木アンサンブル分類法を説明するために,拡張性のある視覚解析手法を提案する。
我々は,これらのルールを階層レベルで優先順位付けするための,異常バイアスモデル削減手法を開発した。
本手法は,共通ルールと異常ルールの両方を深く理解し,包括性を犠牲にすることなく解釈性を向上させる。
論文 参考訳（メタデータ） (2024-09-05T01:48:11Z) - From pixels to planning: scale-free active inference [42.04471916762639]
本稿では、生成的モデリングのための離散状態空間モデルとそれに伴う手法について述べる。
我々は、再正規化群を用いて、深層または階層的な形式を考える。
この技術ノートは、一連のアプリケーションを使用したRGMの自動発見、学習、デプロイを説明している。
論文 参考訳（メタデータ） (2024-07-27T14:20:48Z) - Rewriting Geometric Rules of a GAN [32.22250082294461]
現在の機械学習アプローチでは、創造的なプロセスの重要な要素を見逃している。
我々は、ユーザが所望の幾何学的変化を伴う少数のオリジナルのモデル出力を編集することで、与えられたモデルを「ワープ」できるようにします。
提案手法により,ユーザが定義した幾何学的変化を伴って無限オブジェクトを合成するモデルを作成し,大規模データセットの計算を伴わずに新たな生成モデルを作成することができる。
論文 参考訳（メタデータ） (2022-07-28T17:59:36Z) - FROTE: Feedback Rule-Driven Oversampling for Editing Models [14.112993602274457]
我々は、MLモデルの更新プロセスを迅速化する手段として、ユーザが提供するフィードバックルールに焦点を当てる。
フィードバックルールに応答してMLモデルを編集する前処理トレーニングデータの問題を紹介する。
そこで本研究では,新たなデータ拡張手法であるフィードバックルールに基づくオーバーサンプリング手法を提案する。
論文 参考訳（メタデータ） (2022-01-04T10:16:13Z) - Editing a classifier by rewriting its prediction rules [133.5026383860842]
本稿では,予測ルールを直接書き換えることで分類器の動作を修正する手法を提案する。
このアプローチでは、ほとんど追加のデータ収集を必要とせず、新しい環境へのモデルの適用など、さまざまな設定に適用することができます。
論文 参考訳（メタデータ） (2021-12-02T06:40:37Z) - Closed-Form Factorization of Latent Semantics in GANs [65.42778970898534]
画像合成のために訓練されたGAN(Generative Adversarial Networks)の潜在空間に、解釈可能な次元の豊富なセットが出現することが示されている。
本研究では,GANが学習した内部表現について検討し,その基礎となる変動要因を教師なしで明らかにする。
本稿では,事前学習した重みを直接分解することで,潜在意味発見のためのクローズドフォーム因数分解アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-13T18:05:36Z) - Evaluating the Disentanglement of Deep Generative Models through
Manifold Topology [66.06153115971732]
本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。
複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
論文 参考訳（メタデータ） (2020-06-05T20:54:11Z) - Posterior Control of Blackbox Generation [126.33511630879713]
我々は、構造化潜在変数アプローチにより学習した離散制御状態を持つニューラルジェネレーションモデルの拡張を検討する。
この手法は標準ベンチマークよりも改善され、きめ細かい制御も可能である。
論文 参考訳（メタデータ） (2020-05-10T03:22:45Z) - Explainable Matrix -- Visualization for Global and Local
Interpretability of Random Forest Classification Ensembles [78.6363825307044]
本研究では,ランダムフォレスト (RF) 解釈のための新しい可視化手法である Explainable Matrix (ExMatrix) を提案する。
単純なマトリックスのようなメタファで、行はルール、列は特徴、セルはルールを述語する。
ExMatrixの適用性は、異なる例を通じて確認され、RFモデルの解釈可能性を促進するために実際にどのように使用できるかを示している。
論文 参考訳（メタデータ） (2020-05-08T21:03:48Z) - Generation of Consistent Sets of Multi-Label Classification Rules with a
Multi-Objective Evolutionary Algorithm [11.25469393912791]
本稿では,複数のルールに基づく多ラベル分類モデルを生成する多目的進化アルゴリズムを提案する。
我々のアルゴリズムは規則の集合(順序のない集合)に基づいてモデルを生成し、解釈可能性を高める。
また、ルール作成中にコンフリクト回避アルゴリズムを用いることで、与えられたモデル内のすべてのルールは、同じモデル内の他のすべてのルールと整合することが保証される。
論文 参考訳（メタデータ） (2020-03-27T16:43:10Z)
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。