論文の概要: Game of GANs: Game Theoretical Models for Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2106.06976v2
• Date: Tue, 15 Jun 2021 07:20:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-16 12:18:24.156999
• Title: Game of GANs: Game Theoretical Models for Generative Adversarial Networks
• Title（参考訳）: GANのゲーム: 生成的敵ネットワークのためのゲーム理論モデル
• Authors: Monireh Mohebbi Moghadam, Bahar Boroomand, Mohammad Jalali, Arman Zareian, Alireza DaeiJavad, and Mohammad Hossein Manshaei
• Abstract要約: Generative Adversarial Networkは、AIコミュニティにおける有望な研究方向である。 本稿では, GANにおけるゲーム理論を活用する文献をレビューし, ゲームモデルが特定の生成モデルの課題を緩和する方法について述べる。
• 参考スコア（独自算出の注目度）: 0.6839191081675575
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative Adversarial Network, as a promising research direction in the AI community, recently attracts considerable attention due to its ability to generating high-quality realistic data. GANs are a competing game between two neural networks trained in an adversarial manner to reach a Nash equilibrium. Despite the improvement accomplished in GANs in the last years, there remain several issues to solve. In this way, how to tackle these issues and make advances leads to rising research interests. This paper reviews literature that leverages the game theory in GANs and addresses how game models can relieve specific generative models' challenges and improve the GAN's performance. In particular, we firstly review some preliminaries, including the basic GAN model and some game theory backgrounds. After that, we present our taxonomy to summarize the state-of-the-art solutions into three significant categories: modified game model, modified architecture, and modified learning method. The classification is based on the modifications made in the basic model by the proposed approaches from the game-theoretic perspective. We further classify each category into several subcategories. Following the proposed taxonomy, we explore the main objective of each class and review the recent work in each group. Finally, we discuss the remaining challenges in this field and present the potential future research topics.
• Abstract（参考訳）: AIコミュニティにおける有望な研究方向としてのジェネレーティブ・アドバイサル・ネットワークは、最近、高品質な現実データを生成する能力によって、かなりの注目を集めている。 GANは、ナッシュ均衡に達するために敵対的に訓練された2つのニューラルネットワーク間の競合ゲームである。 ここ数年のGANの改善にもかかわらず、解決すべき問題がいくつか残っている。 このようにして、これらの問題にどのように取り組み、進歩していくかは、研究の関心の高まりに繋がる。 本稿では, GANにおけるゲーム理論を活用する文献をレビューし, ゲームモデルが特定の生成モデルの課題を緩和し, GANの性能を向上させる方法について述べる。 特に,基本的なGANモデルやゲーム理論の背景など,いくつかの前提条件について概観する。 その後、最先端のソリューションを3つの重要なカテゴリにまとめる分類法を提示する: 修正ゲームモデル、修正アーキテクチャ、修正学習方法。 本分類は,ゲーム理論的な観点からのアプローチによる基本モデルの修正に基づくものである。 さらに,各カテゴリをいくつかのサブカテゴリに分類する。 提案する分類法に従い,各クラスの主な目的を考察し,各グループにおける最近の研究を概観する。 最後に,本分野における課題について考察し,今後の研究課題について述べる。

関連論文リスト

• Autoregressive Models in Vision: A Survey [119.23742136065307]
  本調査は、視覚に適用される自己回帰モデルに関する文献を包括的に調査する。 視覚的自己回帰モデルを,画素ベース,トークンベース,スケールベースを含む3つの一般的なサブカテゴリに分割する。 本稿では,画像生成,映像生成,3D生成,マルチモーダル生成など,コンピュータビジョンにおける自己回帰モデルの多面的分類を提案する。
  論文  参考訳（メタデータ） (2024-11-08T17:15:12Z)
• Graph neural network surrogate for strategic transport planning [2.175217022338634]
  本稿では,戦略的輸送計画のための代理モデルとして,高度なグラフニューラルネットワーク(GNN)アーキテクチャの適用について検討する。 グラフ畳み込みネットワーク(GCN: Graph Convolution Network)を基盤とした先行研究に基づいて、より表現力のあるグラフ注意ネットワーク(GAT: Graph Attention Network)と確立されたGCNの比較分析を行った。 本稿では,グラフベースモデルにおけるオーバー・スムーシング問題に対処する新しいGAT変種(GATv3)を提案する。
  論文  参考訳（メタデータ） (2024-08-14T14:18:47Z)
• Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• A Survey on Video Diffusion Models [103.03565844371711]
  AI生成コンテンツ(AIGC)の最近の波は、コンピュータビジョンでかなりの成功を収めている。 その印象的な生成能力のため、拡散モデルは徐々にGANと自動回帰変換器に基づく手法に取って代わられている。 本稿では,AIGC時代の映像拡散モデルについて概観する。
  論文  参考訳（メタデータ） (2023-10-16T17:59:28Z)
• Ten Years of Generative Adversarial Nets (GANs): A survey of the state-of-the-art [0.0]
  Generative Adversarial Networks (GAN) は、様々な領域にまたがる現実的で多様なデータを生成する強力なツールとして急速に登場した。 2018年2月、GANは「Top Ten Global Breakthrough Technologies List」でトップ10を獲得した。 この調査は、最も広く認識されているバリエーションの潜在アーキテクチャ、バリデーションメトリクス、およびアプリケーション領域を要約した、GANの一般的な概要を提供することを目的としている。
  論文  参考訳（メタデータ） (2023-08-30T20:46:45Z)
• A survey on GANs for computer vision: Recent research, analysis and taxonomy [0.0]
  Surveyは、GANの概要を提供し、最新のアーキテクチャ、損失関数の最適化、検証メトリクス、アプリケーション領域を示すことを目的としている。 モデルアーキテクチャの異なるバリエーションの効率性を評価するとともに、最適なアプリケーション領域を示す。 本調査の最終目的は,今後の研究者を導く上で,より優れた結果が得られるGANの進化と性能の要約を提供することである。
  論文  参考訳（メタデータ） (2022-03-21T18:06:03Z)
• DapStep: Deep Assignee Prediction for Stack Trace Error rePresentation [61.99379022383108]
  本稿では,バグトリアージ問題を解決するための新しいディープラーニングモデルを提案する。 モデルは、注目された双方向のリカレントニューラルネットワークと畳み込みニューラルネットワークに基づいている。 ランキングの質を向上させるために,バージョン管理システムのアノテーションから追加情報を利用することを提案する。
  論文  参考訳（メタデータ） (2022-01-14T00:16:57Z)
• Deep Policy Networks for NPC Behaviors that Adapt to Changing Design Parameters in Roguelike Games [137.86426963572214]
  例えばRoguelikesのようなターンベースの戦略ゲームは、Deep Reinforcement Learning(DRL)にユニークな課題を提示する。 複雑なカテゴリ状態空間をより適切に処理し、設計決定によって強制的に再訓練する必要性を緩和する2つの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） (2020-12-07T08:47:25Z)
• A Survey on Generative Adversarial Networks: Variants, Applications, and Training [9.299132423767992]
  GAN(Generative Adversarial Networks)は、教師なし学習の分野で大きな注目を集めている。 GANの優れた成功にもかかわらず、安定したトレーニングには依然として障害がある。 本稿では,GANトレーニングを安定させるために,異なる研究者が提案するいくつかのトレーニングソリューションについて調査する。
  論文  参考訳（メタデータ） (2020-06-09T09:04:41Z)
• Generative Adversarial Networks (GANs Survey): Challenges, Solutions, and Future Directions [15.839877885431806]
  Generative Adversarial Networks (GANs) は、近年注目されている深層生成モデルの新しいクラスである。 GANは、画像、オーディオ、データに対して暗黙的に複雑で高次元の分布を学習する。 GANのトレーニングには、モード崩壊、非収束、不安定といった大きな課題がある。
  論文  参考訳（メタデータ） (2020-04-30T19:26:46Z)
• A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications [154.4832792036163]
  GAN(Generative Adversarial Network)は近年ホットな研究トピックである。 GANは2014年から広く研究され、多くのアルゴリズムが提案されている。 本稿では,アルゴリズム,理論,応用の観点から,様々なGAN手法のレビューを行う。
  論文  参考訳（メタデータ） (2020-01-20T01:52:05Z)

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。