論文の概要: Measure-conditional Discriminator with Stationary Optimum for GANs and Statistical Distance Surrogates

• arxiv url: http://arxiv.org/abs/2101.06802v1
• Date: Sun, 17 Jan 2021 23:18:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-27 21:26:09.864187
• Title: Measure-conditional Discriminator with Stationary Optimum for GANs and Statistical Distance Surrogates
• Title（参考訳）: ganおよび統計距離サーロゲートに最適な定常性を有する測度条件判別器
• Authors: Liu Yang, Tingwei Meng, George Em Karniadakis
• Abstract要約: 異なるGANのためのプラグ・アンド・プレイモジュールとして,識別器,すなわち測度条件判別器の簡易かつ効果的な修正を提案する。 測度条件判別器の変種は、複数の対象分布を扱うこともでき、kl 発散のような統計距離の代理モデルとして働き、転置学習への応用も可能である。
• 参考スコア（独自算出の注目度）: 4.659354016173314
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a simple but effective modification of the discriminators, namely measure-conditional discriminators, as a plug-and-play module for different GANs. By taking the generated distributions as part of input so that the target optimum for the discriminator is stationary, the proposed discriminator is more robust than the vanilla one. A variant of the measure-conditional discriminator can also handle multiple target distributions, or act as a surrogate model of statistical distances such as KL divergence with applications to transfer learning.
• Abstract（参考訳）: 異なるGANのためのプラグ・アンド・プレイモジュールとして,識別器,すなわち測度条件判別器の簡易かつ効果的な修正を提案する。 生成した分布を入力として、識別器に最適な目標が定常となるようにすることで、提案する判別器はバニラよりも頑健である。 測度条件判別器の変種は、複数の対象分布を扱うこともでき、kl 発散のような統計距離の代理モデルとして働き、転置学習への応用も可能である。

関連論文リスト

• Discriminator Guidance for Autoregressive Diffusion Models [12.139222986297264]
  本稿では,自己回帰拡散モデルの設定において差別的ガイダンスを導入する。 判別器と事前学習した生成モデルとを個別のケースで併用する方法を導出する。
  論文  参考訳（メタデータ） (2023-10-24T13:14:22Z)
• Aleatoric and Epistemic Discrimination: Fundamental Limits of Fairness Interventions [13.279926364884512]
  機械学習モデルは、モデル開発時の選択とデータ固有のバイアスにより、特定の人口群で過小評価される可能性がある。 フェアネス制約下でのモデルの性能限界を決定することにより,アレータリック判別の定量化を行う。 本研究では, 公平性制約を適用した際のモデルの精度と, アレタリック判別による限界とのギャップとして, てんかんの判別を定量化する。
  論文  参考訳（メタデータ） (2023-01-27T15:38:20Z)
• Reusing the Task-specific Classifier as a Discriminator: Discriminator-free Adversarial Domain Adaptation [55.27563366506407]
  非教師付きドメイン適応(UDA)のための識別器なし対向学習ネットワーク(DALN)を導入する。 DALNは、統一された目的によって明確なドメインアライメントとカテゴリの区別を達成する。 DALNは、さまざまなパブリックデータセット上の既存の最先端(SOTA)メソッドと比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-04-08T04:40:18Z)
• Adversarial Support Alignment [63.19916250624022]
  本稿では,サポート間のミスマッチを定量化するための分散尺度として,対称的支持差を提案する。 選択判別器は, 1次元の出力空間における支持差として, 支持差をマップできることを示す。 本手法は, 識別器1D空間における対称性を緩和した最適輸送コストを, 対向過程により最小化することにより, 支持を整合させる。
  論文  参考訳（メタデータ） (2022-03-16T19:46:09Z)
• Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
  トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。 本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。 本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
  論文  参考訳（メタデータ） (2021-07-29T17:42:12Z)
• Exploring Dropout Discriminator for Domain Adaptation [27.19677042654432]
  新しいドメインへの分類器の適応は、機械学習における難しい問題の1つである。 本稿では, サンプル分布の分散を徐々に増大させるカリキュラムベースのドロップアウト判別器を提案する。 識別器のアンサンブルは、モデルがデータ分散を効率的に学習するのに役立つ。
  論文  参考訳（メタデータ） (2021-07-09T06:11:34Z)
• Predicting with Confidence on Unseen Distributions [90.68414180153897]
  ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。 分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。 具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
  論文  参考訳（メタデータ） (2021-07-07T15:50:18Z)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)
• Rethink Maximum Mean Discrepancy for Domain Adaptation [77.2560592127872]
  本論文は,(1)最大平均距離の最小化は,それぞれソースとクラス内距離の最大化に等しいが,その差を暗黙の重みと共同で最小化し,特徴判別性は低下する,という2つの本質的な事実を理論的に証明する。 いくつかのベンチマークデータセットの実験は、理論的な結果の有効性を証明しただけでなく、我々のアプローチが比較した最先端手法よりも大幅に向上できることを実証した。
  論文  参考訳（メタデータ） (2020-07-01T18:25:10Z)

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。