論文の概要: Demonstrating the Evolution of GANs through t-SNE

• arxiv url: http://arxiv.org/abs/2102.00524v2
• Date: Thu, 25 Feb 2021 10:49:30 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 04:59:45.333429
• Title: Demonstrating the Evolution of GANs through t-SNE
• Title（参考訳）: t-SNEによるガンの進化の実証
• Authors: Victor Costa, Nuno Louren\c{c}o, Jo\~ao Correia, Penousal Machado
• Abstract要約: COEGANのような進化的アルゴリズムは、最近、GANトレーニングを改善するソリューションとして提案されている。 本研究では, t-distributed Neighbour Embedding (t-SNE) を用いたGANの進展評価手法を提案する。 結果の t-SNE マップと Jaccard インデックスに基づく計量をモデル品質を表すために提案する。
• 参考スコア（独自算出の注目度）: 0.4588028371034407
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative Adversarial Networks (GANs) are powerful generative models that achieved strong results, mainly in the image domain. However, the training of GANs is not trivial, presenting some challenges tackled by different strategies. Evolutionary algorithms, such as COEGAN, were recently proposed as a solution to improve the GAN training, overcoming common problems that affect the model, such as vanishing gradient and mode collapse. In this work, we propose an evaluation method based on t-distributed Stochastic Neighbour Embedding (t-SNE) to assess the progress of GANs and visualize the distribution learned by generators in training. We propose the use of the feature space extracted from trained discriminators to evaluate samples produced by generators and from the input dataset. A metric based on the resulting t-SNE maps and the Jaccard index is proposed to represent the model quality. Experiments were conducted to assess the progress of GANs when trained using COEGAN. The results show both by visual inspection and metrics that the Evolutionary Algorithm gradually improves discriminators and generators through generations, avoiding problems such as mode collapse.
• Abstract（参考訳）: GAN(Generative Adversarial Networks)は、主に画像領域において強力な結果を得る強力な生成モデルである。 しかし、GANの訓練は簡単ではなく、異なる戦略に対処するいくつかの課題を提示している。 COEGANのような進化的アルゴリズムは、最近、GANトレーニングを改善するソリューションとして提案され、勾配の消失やモード崩壊といったモデルに影響を与える一般的な問題を克服した。 本稿では,gansの進歩を評価し,ジェネレータが学習した分布を可視化するために,t-distributed stochastic neighbor embedded (t-sne)に基づく評価手法を提案する。 学習した識別器から抽出した特徴空間を用いて,ジェネレータおよび入力データセットから生成されたサンプルを評価する。 モデル品質を表すためにt-sneマップとjaccardインデックスに基づくメトリクスが提案されている。 COEGANを用いてGANの進行を評価する実験を行った。 その結果, 視覚検査と指標によって, 進化アルゴリズムは世代を通じて識別器や生成器を徐々に改善し, モード崩壊などの問題を回避することができた。

関連論文リスト

• Progressive Monitoring of Generative Model Training Evolution [1.3108652488669736]
  深層生成モデル(DGM)は人気があるが、バイアスやその他の非効率性への感受性は依然として問題である。 DGMのトレーニングプロセスを監視するためのプログレッシブ分析フレームワークを導入する。 本稿では,GAN(Generative Adversarial Network)の早期学習におけるバイアスの特定と緩和を支援する方法を紹介する。
  論文  参考訳（メタデータ） (2024-12-17T10:20:29Z)
• GE-AdvGAN: Improving the transferability of adversarial samples by gradient editing-based adversarial generative model [69.71629949747884]
  GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。 本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-11T16:43:16Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• DuDGAN: Improving Class-Conditional GANs via Dual-Diffusion [2.458437232470188]
  GAN(Generative Adversarial Network)を用いたクラス条件画像生成について,様々な手法を用いて検討した。 本稿では,DuDGANと呼ばれる2次元拡散型ノイズ注入法を取り入れたGANを用いたクラス条件画像生成手法を提案する。 提案手法は,画像生成のための現状条件付きGANモデルよりも性能的に優れている。
  論文  参考訳（メタデータ） (2023-05-24T07:59:44Z)
• Training Discrete Deep Generative Models via Gapped Straight-Through Estimator [72.71398034617607]
  再サンプリングのオーバーヘッドを伴わずに分散を低減するため, GST (Gapped Straight-Through) 推定器を提案する。 この推定子は、Straight-Through Gumbel-Softmaxの本質的な性質に着想を得たものである。 実験により,提案したGST推定器は,2つの離散的な深部生成モデリングタスクの強いベースラインと比較して,優れた性能を享受できることが示された。
  論文  参考訳（メタデータ） (2022-06-15T01:46:05Z)
• Overcoming Mode Collapse with Adaptive Multi Adversarial Training [5.09817514580101]
  GAN(Generative Adversarial Networks)は、様々なアプリケーションで使用される生成モデルのクラスである。 GANは、ターゲット分布のいくつかのモードがジェネレータによって無視されるモード崩壊問題に悩まされていることが知られている。 本稿では,従来の世代形態を記憶するために,新たな差別者を適応的に生成する新たな訓練手法を提案する。
  論文  参考訳（メタデータ） (2021-12-29T05:57:55Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• 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)
• 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)
• Top-k Training of GANs: Improving GAN Performance by Throwing Away Bad Samples [67.11669996924671]
  GAN(Generative Adversarial Network)トレーニングアルゴリズムに,簡単な修正(一行のコード)を導入する。 ジェネレータパラメータを更新するとき、批判者が最も現実的に評価するバッチの要素から勾配のコントリビューションをゼロにします。 このトップk更新の手順が一般的に適用可能な改善であることを示す。
  論文  参考訳（メタデータ） (2020-02-14T19:27:50Z)

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。