Fugu-MT 論文翻訳(概要): Fostering Diversity in Spatial Evolutionary Generative Adversarial Networks

論文の概要: Fostering Diversity in Spatial Evolutionary Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2106.13590v1
Date: Fri, 25 Jun 2021 12:40:36 GMT
ステータス: 処理完了
システム内更新日: 2021-06-28 13:14:03.671711
Title: Fostering Diversity in Spatial Evolutionary Generative Adversarial Networks
Title（参考訳）: 空間的進化的adversarial networkにおける多様性の育成
Authors: Jamal Toutouh and Erik Hemberg and Una-May O'Reilly
Abstract要約: 本稿では,空間分布型CoE-GANであるMustangsを紹介する。 MNISTとCelebAの実験分析により、ムスタングは統計的により正確な発電機を訓練することを示した。
参考スコア（独自算出の注目度）: 10.603020431394157
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generative adversary networks (GANs) suffer from training pathologies such as instability and mode collapse, which mainly arise from a lack of diversity in their adversarial interactions. Co-evolutionary GAN (CoE-GAN) training algorithms have shown to be resilient to these pathologies. This article introduces Mustangs, a spatially distributed CoE-GAN, which fosters diversity by using different loss functions during the training. Experimental analysis on MNIST and CelebA demonstrated that Mustangs trains statistically more accurate generators.
Abstract（参考訳）: ジェネレーティブ・逆境ネットワーク(GAN)は不安定性やモード崩壊などのトレーニング病理に悩まされ、主に敵の相互作用の多様性の欠如から生じる。 Co-evolutionary GAN (CoE-GAN) トレーニングアルゴリズムはこれらの病理に耐性があることが示されている。本稿では,空間分布型CoE-GANであるMustangsを紹介する。 MNISTとCelebAの実験分析により、ムスタングは統計的により正確な発電機を訓練することを示した。

関連論文リスト

Parallelly Tempered Generative Adversarial Networks [7.94957965474334]
生成的敵対ネットワーク(GAN)は、生成的人工知能(AI)における代表的バックボーンモデルである。本研究は,モード崩壊の存在下でのトレーニングの不安定性と非効率性を,対象分布におけるマルチモーダルにリンクすることで解析する。新たに開発したGAN目標関数により, 生成元は同時に全ての誘電分布を学習することができる。
論文参考訳（メタデータ） (2024-11-18T18:01:13Z)
Latent State Models of Training Dynamics [51.88132043461152]
異なるランダムなシードでモデルをトレーニングし、トレーニングを通じてさまざまなメトリクスを計算します。次に、結果のメトリクス列に隠れマルコフモデル(HMM)を適合させる。我々はHMM表現を用いて相転移を研究し、収束を遅くする潜伏状態(detour state)を特定する。
論文参考訳（メタデータ） (2023-08-18T13:20:08Z)
Safety-compliant Generative Adversarial Networks for Human Trajectory Forecasting [95.82600221180415]
群衆における人間予測は、社会的相互作用をモデル化し、衝突のないマルチモーダル分布を出力するという課題を提示する。 SGANv2は、動き時間相互作用モデリングと変圧器に基づく識別器設計を備えた安全に配慮したSGANアーキテクチャである。
論文参考訳（メタデータ） (2022-09-25T15:18:56Z)
Enhancing Adversarial Training with Feature Separability [52.39305978984573]
本稿では,特徴分離性を備えた対人訓練(ATFS)により,クラス内特徴の類似性を向上し,クラス間特徴分散を増大させることができる,新たな対人訓練グラフ(ATG)を提案する。包括的な実験を通じて、提案したATFSフレームワークがクリーンかつロバストなパフォーマンスを著しく改善することを示した。
論文参考訳（メタデータ） (2022-05-02T04:04:23Z)
IE-GAN: An Improved Evolutionary Generative Adversarial Network Using a New Fitness Function and a Generic Crossover Operator [20.100388977505002]
我々は、新しいフィットネス機能と汎用クロスオーバー演算子を導入するIE-GANと呼ばれる改良されたE-GANフレームワークを提案する。特に、提案されたフィットネス機能は、個人の進化過程をより正確にモデル化することができる。進化アルゴリズムで一般的に採用されているクロスオーバー演算子は、子孫が両親の優れた遺伝子発現を模倣することができる。
論文参考訳（メタデータ） (2021-07-25T13:55:07Z)
Training Generative Adversarial Networks in One Stage [58.983325666852856]
本稿では,1段階のみに効率よくGANを訓練できる汎用的なトレーニング手法を提案する。提案手法は,データフリーな知識蒸留など,他の逆学習シナリオにも容易に適用可能であることを示す。
論文参考訳（メタデータ） (2021-02-28T09:03:39Z)
Evolutionary Generative Adversarial Networks with Crossover Based Knowledge Distillation [4.044110325063562]
本稿では,進化戦略を用いてGANに広く適用可能な一般クロスオーバー演算子を提案する。次に、それに基づいて進化的GANフレームワークC-GANを設計する。そして、クロスオーバー演算子と進化生成逆数ネットワーク(EGAN)を組み合わせて、クロスオーバー(CE-GAN)を用いた進化生成逆数ネットワークを実装する。
論文参考訳（メタデータ） (2021-01-27T03:24:30Z)
Analyzing the Components of Distributed Coevolutionary GAN Training [8.198369743955528]
共進化における多様性に影響を与える2つのアルゴリズム成分の性能への影響について検討する。 MNISTデータセットの実験では、これらの2つのコンポーネントの組み合わせが最良の生成モデルを提供することがわかった。
論文参考訳（メタデータ） (2020-08-03T18:35:06Z)
Improving GAN Training with Probability Ratio Clipping and Sample Reweighting [145.5106274085799]
GAN(Generative Adversarial Network)は、不安定なトレーニングにより性能が低下することが多い。本稿では,より優れたトレーニング安定性を享受する新しい変分GANトレーニングフレームワークを提案する。多様な最先端のGANアーキテクチャにトレーニングアプローチを組み込むことで、幅広いタスクに対して大幅な性能向上を実現した。
論文参考訳（メタデータ） (2020-06-12T01:39:48Z)
Host-Pathongen Co-evolution Inspired Algorithm Enables Robust GAN Training [0.0]
GAN(Generative Adversarial Network)は、互いに訓練されたニューラルネットワークのペアである。 GANは、現実の映画、画像、テキストの印象的な模倣を生み出すことができました。我々は、より堅牢なGAN訓練アルゴリズムを提案し、より少ない計算力を使用しながら、高品質な画像を生成するための安定性と優れた能力を実証的に示す。
論文参考訳（メタデータ） (2020-05-22T09:54:06Z)
When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
論文参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。