論文の概要: Continuous Conditional Generative Adversarial Networks (cGAN) with Generator Regularization

• arxiv url: http://arxiv.org/abs/2103.14884v1
• Date: Sat, 27 Mar 2021 12:01:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-30 15:22:39.268113
• Title: Continuous Conditional Generative Adversarial Networks (cGAN) with Generator Regularization
• Title（参考訳）: 発電機規則化を伴う連続条件生成逆ネットワーク(cGAN)
• Authors: Yufeng Zheng, Yunkai Zhang, Zeyu Zheng
• Abstract要約: リプシッツペナルティの形でGAN発電機損失に関する簡易発電機正規化項を提案する。 提案された正規化期間の効果を分析し、合成および現実世界のタスクの範囲にその堅牢な性能を実証します。
• 参考スコア（独自算出の注目度）: 7.676408770854476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional Generative Adversarial Networks are known to be difficult to train, especially when the conditions are continuous and high-dimensional. To partially alleviate this difficulty, we propose a simple generator regularization term on the GAN generator loss in the form of Lipschitz penalty. Thus, when the generator is fed with neighboring conditions in the continuous space, the regularization term will leverage the neighbor information and push the generator to generate samples that have similar conditional distributions for each neighboring condition. We analyze the effect of the proposed regularization term and demonstrate its robust performance on a range of synthetic and real-world tasks.
• Abstract（参考訳）: 条件付き生成逆ネットワークは、特に条件が連続かつ高次元である場合には、訓練が難しいことが知られている。 この問題を部分的に緩和するために,GAN発生器の損失をリプシッツペナルティの形で単純な生成元正規化項を提案する。 したがって、生成元が連続空間内の隣り合う条件で供給されると、正規化項は隣り合う情報を利用し、生成元を押して各隣の条件に類似した条件分布を持つサンプルを生成する。 提案する正規化項の効果を解析し,その頑健な性能が実世界の様々なタスクに与える影響を実証する。

関連論文リスト

• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための生成変換器Timer-XLを提案する。 Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Non-autoregressive Sequence-to-Sequence Vision-Language Models [63.77614880533488]
  本稿では,デコーダ内の複数の推論経路をマージする並列デコードシーケンス・ツー・シーケンス・ビジョン言語モデルを提案する。 このモデルは最先端の自己回帰モデルと同等のパフォーマンスを実現するが、推論時間では高速である。
  論文  参考訳（メタデータ） (2024-03-04T17:34:59Z)
• 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)
• Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
  Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。 本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
  論文  参考訳（メタデータ） (2023-06-27T08:15:28Z)
• Shared Loss between Generators of GANs [7.33811357166334]
  生成逆数ネットワークは、入力データの暗黙の確率分布を高精度に再現できる生成モデルである。 伝統的に、GANはジェネレータとディスクリミネーターで構成されており、互いに相互作用して非常にリアルな人工データを生成する。 その結果,GANのトレーニング時間は劇的に短縮され,性能に影響を与えないことがわかった。
  論文  参考訳（メタデータ） (2022-11-14T09:47:42Z)
• Mode Penalty Generative Adversarial Network with adapted Auto-encoder [0.15229257192293197]
  本稿では,事前学習した自動エンコーダと組み合わされたモードペナルティGANを提案する。 提案手法をGANに適用することにより, ジェネレータの最適化がより安定し, 実験による収束が早くなることを示す。
  論文  参考訳（メタデータ） (2020-11-16T03:39:53Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)
• Conditional Hybrid GAN for Sequence Generation [56.67961004064029]
  本稿では,この問題を解決するための条件付きハイブリッドGAN(C-Hybrid-GAN)を提案する。 我々はGumbel-Softmax法を利用して離散値列の分布を近似する。 提案したC-Hybrid-GANは、文脈条件付き離散値シーケンス生成において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） (2020-09-18T03:52:55Z)
• Learning disconnected manifolds: a no GANs land [15.4867805276559]
  Generative AdversarialNetworksは、連続ジェネレータによって変換された非モードラテント分布を利用する。 対象分布の精度の上限を述べた非連結多様体学習に対する自由弁当定理を定めている。 生成元ヤコビアンのノルムに基づく拒絶サンプリング法を導出し,その効率をBigGANを含む複数のジェネレータで示す。
  論文  参考訳（メタデータ） (2020-06-08T13:45:22Z)
• Smoothness and Stability in GANs [21.01604897837572]
  GAN(Generative Adversarial Network)は、トレーニング中に不安定な動作を示す。 我々は,様々な種類のGANの安定性を理解するための理論的枠組みを開発する。
  論文  参考訳（メタデータ） (2020-02-11T03:08:28Z)

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。