論文の概要: Teaching a GAN What Not to Learn
- arxiv url: http://arxiv.org/abs/2010.15639v1
- Date: Thu, 29 Oct 2020 14:44:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 22:08:05.400662
- Title: Teaching a GAN What Not to Learn
- Title(参考訳): 学ぶべきでないことを教える
- Authors: Siddarth Asokan and Chandra Sekhar Seelamantula
- Abstract要約: GAN(Generative Adversarial Network)は、本来、対象分布に従うことを学習する教師なし生成モデルとして構想されていた。
本稿では,ペルシアの有名な詩人ルミの思想に動機づけられたGAN問題に対して,異なる視点からアプローチする。
GANフレームワークでは、モデリングを学習しなければならないGAN陽性データだけでなく、回避しなければならないいわゆる負のサンプルも提示します。
この定式化により、判別器は、望ましくない生成サンプルをペナリゼーションすることで、基礎となるターゲット分布をより良く表現することができる。
- 参考スコア(独自算出の注目度): 20.03447539784024
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative adversarial networks (GANs) were originally envisioned as
unsupervised generative models that learn to follow a target distribution.
Variants such as conditional GANs, auxiliary-classifier GANs (ACGANs) project
GANs on to supervised and semi-supervised learning frameworks by providing
labelled data and using multi-class discriminators. In this paper, we approach
the supervised GAN problem from a different perspective, one that is motivated
by the philosophy of the famous Persian poet Rumi who said, "The art of knowing
is knowing what to ignore." In the GAN framework, we not only provide the GAN
positive data that it must learn to model, but also present it with so-called
negative samples that it must learn to avoid - we call this "The Rumi
Framework." This formulation allows the discriminator to represent the
underlying target distribution better by learning to penalize generated samples
that are undesirable - we show that this capability accelerates the learning
process of the generator. We present a reformulation of the standard GAN (SGAN)
and least-squares GAN (LSGAN) within the Rumi setting. The advantage of the
reformulation is demonstrated by means of experiments conducted on MNIST,
Fashion MNIST, CelebA, and CIFAR-10 datasets. Finally, we consider an
application of the proposed formulation to address the important problem of
learning an under-represented class in an unbalanced dataset. The Rumi approach
results in substantially lower FID scores than the standard GAN frameworks
while possessing better generalization capability.
- Abstract(参考訳): generative adversarial networks (gans) は元々、目標分布に従うことを学習する教師なし生成モデルとして考えられていた。
ラベル付きデータを提供し、マルチクラス判別器を使用することで、教師付きおよび半教師付き学習フレームワークに対して、条件付きGAN、補助クラス化GAN(ACGAN)プロジェクトGANを運用する。
本稿では,異なる視点から監督されたgan問題にアプローチする。これはペルシャの有名な詩人ルミの哲学に動機づけられ,「理解する術は何を無視すべきかを知ることである」と述べている。
GANフレームワークでは、モデリングで学ばなければならないGANのポジティブなデータだけでなく、回避するために学ぶべき、いわゆるネガティブなサンプルも提示します。
この定式化により、識別器は、望ましくない生成サンプルをペナル化することで、基礎となるターゲット分布をより良く表現することができる。
本稿では,Rumi 設定における標準 GAN (SGAN) と最小二乗 GAN (LSGAN) の再構成について述べる。
この改定の利点は、MNIST、Fashion MNIST、CelebA、CIFAR-10データセットで実施された実験によって示される。
最後に,不均衡データセットで表現不足のクラスを学習する重要な問題に対処するために,提案手法の適用を検討する。
Rumiアプローチでは、より優れた一般化能力を持ちながら、標準のGANフレームワークよりもかなり低いFIDスコアが得られる。
関連論文リスト
- ACTRESS: Active Retraining for Semi-supervised Visual Grounding [52.08834188447851]
前回の研究であるRefTeacherは、疑似自信と注意に基づく監督を提供するために教師学生の枠組みを採用することで、この課題に取り組むための最初の試みである。
このアプローチは、Transformerベースのパイプラインに従う現在の最先端のビジュアルグラウンドモデルと互換性がない。
本稿では, ACTRESS を略したセミスーパービジョン視覚グラウンドのためのアクティブ・リトレーニング手法を提案する。
論文 参考訳(メタデータ) (2024-07-03T16:33:31Z) - Damage GAN: A Generative Model for Imbalanced Data [1.027461951217988]
本研究では、不均衡データセットの文脈におけるGAN(Generative Adversarial Networks)の適用について検討する。
本稿では,GANとコントラスト学習をシームレスに統合するContraD GANフレームワークを基盤として,損傷GANと呼ばれる新しいネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2023-12-08T06:36:33Z) - Analyzing the Effect of Sampling in GNNs on Individual Fairness [79.28449844690566]
グラフニューラルネットワーク(GNN)ベースの手法は、レコメンダシステムの分野を飽和させた。
我々は,GNNの学習を支援するために,グラフ上で個別の公平性を促進させる既存手法を拡張した。
本研究では,局所ニュアンスが表現学習における公平化促進の過程を導くことによって,ミニバッチトレーニングが個人の公正化を促進することを示す。
論文 参考訳(メタデータ) (2022-09-08T16:20:25Z) - 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) - MineGAN++: Mining Generative Models for Efficient Knowledge Transfer to
Limited Data Domains [77.46963293257912]
本稿では,特定の対象領域に最も有益である知識をマイニングした生成モデルのための新しい知識伝達手法を提案する。
これは、各事前訓練されたGANの生成分布のどの部分が対象領域に最も近いサンプルを出力しているかを識別するマイカネットワークを用いて行われる。
提案手法はMineGANと呼ばれ,ターゲット画像が少ない領域に効果的に知識を伝達し,既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-28T13:10:56Z) - HGAN: Hybrid Generative Adversarial Network [25.940501417539416]
本稿では,自己回帰モデルを用いてデータ密度推定を行うハイブリッド生成逆数ネットワーク(HGAN)を提案する。
GAN定式化における新しい深層構造は、単純なGANトレーニング手法に加えて、自己回帰モデル情報を逆向きに蒸留するために開発されている。
論文 参考訳(メタデータ) (2021-02-07T03:54:12Z) - EC-GAN: Low-Sample Classification using Semi-Supervised Algorithms and
GANs [0.0]
ラベル付きデータによる分類などの画像解析タスクを可能にするため,半教師付き学習が注目されている。
半教師付き分類にgans(generative adrial network)を用いる一般的なアルゴリズムは、分類と識別のための単一のアーキテクチャを共有している。
これにより、各タスクごとに別々のデータ分散に収束するモデルが必要になり、全体的なパフォーマンスが低下する可能性がある。
完全教師付きタスクの分類を改善するために,GANと半教師付きアルゴリズムを用いた新しいGANモデルであるECGANを提案する。
論文 参考訳(メタデータ) (2020-12-26T05:58:00Z) - Exploring DeshuffleGANs in Self-Supervised Generative Adversarial
Networks [0.0]
本稿では,デシャッフルGANを一般化可能な文脈でデシャッフルする自己超越タスクの寄与について検討する。
DeshuffleGANは、他の自己教師型GANと比較して、複数のデータセットに対して最良のFID結果が得られることを示す。
我々は,cDeshuffleGANと呼ばれる条件付きDeshuffleGANを設計し,学習した表現の質を評価する。
論文 参考訳(メタデータ) (2020-11-03T14:22:54Z) - Unsupervised Controllable Generation with Self-Training [90.04287577605723]
GANによる制御可能な世代は依然として困難な研究課題である。
本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。
我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
論文 参考訳(メタデータ) (2020-07-17T21:50:35Z) - Robust Generative Adversarial Network [37.015223009069175]
トレーニングサンプルの小さな地区における局所的ロバスト性を促進することにより,GANの一般化能力の向上を目指す。
我々は,ジェネレータと識別器が,小さなワッサーシュタイン球内でテキストワーストケース設定で互いに競合する,ロバストな最適化フレームワークを設計する。
我々の頑健な手法は、穏やかな仮定の下で従来のGANよりも厳密な一般化上限が得られることを証明した。
論文 参考訳(メタデータ) (2020-04-28T07:37:01Z) - Discriminator Contrastive Divergence: Semi-Amortized Generative Modeling
by Exploring Energy of the Discriminator [85.68825725223873]
GAN(Generative Adversarial Networks)は、高次元データのモデリングにおいて大きな可能性を秘めている。
本稿では,WGANの識別器の特性を活かした識別器コントラストの多様性について紹介する。
我々は、合成データと実世界の画像生成ベンチマークの両方において、大幅に改善された生成の利点を実証する。
論文 参考訳(メタデータ) (2020-04-05T01:50:16Z)
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。