論文の概要: ExGAN: Adversarial Generation of Extreme Samples
- arxiv url: http://arxiv.org/abs/2009.08454v3
- Date: Mon, 15 Mar 2021 15:49:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 08:09:08.864529
- Title: ExGAN: Adversarial Generation of Extreme Samples
- Title(参考訳): ExGAN:極端サンプルの逆生成
- Authors: Siddharth Bhatia, Arjit Jain, Bryan Hooi
- Abstract要約: 極端なイベントから生じるリスクを緩和することは、多くのアプリケーションにとって基本的な目標である。
GAN(Generative Adversarial Networks)に基づく既存のアプローチは、現実的なサンプルを生成するのに優れている。
我々は,現実的で極端なサンプルを生成するためのGANベースのアプローチであるExGANを提案する。
- 参考スコア(独自算出の注目度): 33.70161373245072
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mitigating the risk arising from extreme events is a fundamental goal with
many applications, such as the modelling of natural disasters, financial
crashes, epidemics, and many others. To manage this risk, a vital step is to be
able to understand or generate a wide range of extreme scenarios. Existing
approaches based on Generative Adversarial Networks (GANs) excel at generating
realistic samples, but seek to generate typical samples, rather than extreme
samples. Hence, in this work, we propose ExGAN, a GAN-based approach to
generate realistic and extreme samples. To model the extremes of the training
distribution in a principled way, our work draws from Extreme Value Theory
(EVT), a probabilistic approach for modelling the extreme tails of
distributions. For practical utility, our framework allows the user to specify
both the desired extremeness measure, as well as the desired extremeness
probability they wish to sample at. Experiments on real US Precipitation data
show that our method generates realistic samples, based on visual inspection
and quantitative measures, in an efficient manner. Moreover, generating
increasingly extreme examples using ExGAN can be done in constant time (with
respect to the extremeness probability $\tau$), as opposed to the
$\mathcal{O}(\frac{1}{\tau})$ time required by the baseline approach.
- Abstract(参考訳): 極端な出来事から生じるリスクを緩和することは、自然災害のモデル化、金融事故、疫病など、多くのアプリケーションにとって基本的な目標である。
このリスクを管理するために重要なステップは、幅広い極端なシナリオを理解したり、生成したりすることです。
GAN(Generative Adversarial Networks)に基づく既存のアプローチは、現実的なサンプルを生成する上で優れているが、極端なサンプルではなく、典型的なサンプルを生成することを目指している。
そこで本研究では,現実的で極端なサンプルを生成するGANベースのアプローチであるExGANを提案する。
学習分布の極端を原則的にモデル化するために、我々の研究は分布の極端尾をモデル化するための確率論的アプローチである極値理論(EVT)から導かれる。
実用上,本フレームワークは,ユーザが希望する極端度測定値と,サンプリングしたい極端度確率の両方を指定できる。
実際の米国降水量データを用いた実験では,視覚検査と定量的測定に基づく実例を効率よく生成する。
さらに、 exGAN を用いてますます極端な例を生成することは、ベースラインアプローチで必要とされる $\mathcal{O}(\frac{1}{\tau})$時間とは対照的に、一定の時間(極性確率 $\tau$ に関して)で行うことができる。
関連論文リスト
- Controllable Generation via Locally Constrained Resampling [77.48624621592523]
本研究では, ベイズ条件付けを行い, 制約条件下でサンプルを描画する, トラクタブルな確率的手法を提案する。
提案手法はシーケンス全体を考慮し,現行のグリード法よりも大域的に最適に制約された生成を導出する。
提案手法は, 有害な世代からモデル出力を分離し, 脱毒化に対する同様のアプローチより優れていることを示す。
論文 参考訳(メタデータ) (2024-10-17T00:49:53Z) - Which Pretrain Samples to Rehearse when Finetuning Pretrained Models? [60.59376487151964]
特定のタスクに関する微調整済みモデルが、テキストとビジョンタスクの事実上のアプローチになった。
このアプローチの落とし穴は、微調整中に起こる事前学習の知識を忘れることである。
本研究では,実際に忘れられているサンプルを識別・優先順位付けする新しいサンプリング手法であるmix-cdを提案する。
論文 参考訳(メタデータ) (2024-02-12T22:32:12Z) - Dropout-Based Rashomon Set Exploration for Efficient Predictive
Multiplicity Estimation [15.556756363296543]
予測多重性(英: Predictive multiplicity)とは、ほぼ等しい最適性能を達成する複数の競合モデルを含む分類タスクを指す。
本稿では,Rashomon 集合のモデル探索にドロップアウト手法を利用する新しいフレームワークを提案する。
本手法は, 予測多重度推定の有効性の観点から, ベースラインを一貫して上回ることを示す。
論文 参考訳(メタデータ) (2024-02-01T16:25:00Z) - A VAE Approach to Sample Multivariate Extremes [6.548734807475054]
本稿では,重み付き分布をサンプリングするための変分オートエンコーダ(VAE)アプローチについて述べる。
本研究は,ドナウ川流域における人工的データセットと実測値との関係について述べる。
テストデータセットの標準VAEよりも優れているだけでなく、競合するEVTベースの生成手法との比較も提供する。
論文 参考訳(メタデータ) (2023-06-19T14:53:40Z) - User-defined Event Sampling and Uncertainty Quantification in Diffusion
Models for Physical Dynamical Systems [49.75149094527068]
拡散モデルを用いて予測を行い,カオス力学系に対する不確かさの定量化が可能であることを示す。
本研究では,雑音レベルが低下するにつれて真の分布に収束する条件付きスコア関数の確率的近似法を開発する。
推論時に非線形ユーザ定義イベントを条件付きでサンプリングすることができ、分布の尾部からサンプリングした場合でもデータ統計と一致させることができる。
論文 参考訳(メタデータ) (2023-06-13T03:42:03Z) - Latent Imitator: Generating Natural Individual Discriminatory Instances
for Black-Box Fairness Testing [45.183849487268496]
本稿では、より自然な個人識別インスタンスを生成するために、LIMI(Latent Imitator)というフレームワークを提案する。
まず、対象モデルの決定境界を近似するために、代理線形境界を導出する。
次に、1ステップの運動で代理境界にランダムな潜伏ベクトルを演算し、さらにベクトル計算を行い、2つの潜在的な識別候補を探索する。
論文 参考訳(メタデータ) (2023-05-19T11:29:13Z) - A Flow-Based Generative Model for Rare-Event Simulation [0.483420384410068]
本研究では,正規化フロー生成モデルを用いて,条件分布から直接サンプルをシミュレートする手法を提案する。
希少な分布から直接シミュレートすることで、希少な事象の発生の仕方において重要な洞察を得ることができることを示す。
論文 参考訳(メタデータ) (2023-05-13T08:25:57Z) - Learning from a Biased Sample [3.546358664345473]
本稿では,テスト分布のファミリーで発生する最悪のリスクを最小限に抑える決定ルールの学習方法を提案する。
本研究では,健康調査データからメンタルヘルススコアの予測を行うケーススタディにおいて,提案手法を実証的に検証した。
論文 参考訳(メタデータ) (2022-09-05T04:19:16Z) - Sampling from Arbitrary Functions via PSD Models [55.41644538483948]
まず確率分布をモデル化し,そのモデルからサンプリングする。
これらのモデルでは, 少数の評価値を用いて, 高精度に多数の密度を近似することが可能であることが示され, それらのモデルから効果的にサンプルする簡単なアルゴリズムが提示される。
論文 参考訳(メタデータ) (2021-10-20T12:25:22Z) - Learning Energy-Based Models by Diffusion Recovery Likelihood [61.069760183331745]
本稿では,エネルギーベースモデルから気軽に学習・サンプルできる拡散回復可能性法を提案する。
学習後、ガウスの白色雑音分布から初期化するサンプリングプロセスにより合成画像を生成することができる。
非条件 CIFAR-10 では,本手法は FID 9.58 と開始スコア 8.30 を達成する。
論文 参考訳(メタデータ) (2020-12-15T07:09:02Z) - Improving Maximum Likelihood Training for Text Generation with Density
Ratio Estimation [51.091890311312085]
本稿では,テキスト生成で遭遇する大規模なサンプル空間において,効率よく安定な自動回帰シーケンス生成モデルのトレーニング手法を提案する。
本手法は,品質と多様性の両面で,最大類似度推定や他の最先端シーケンス生成モデルよりも安定に優れている。
論文 参考訳(メタデータ) (2020-07-12T15:31:24Z)
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。