論文の概要: Active Divergence with Generative Deep Learning -- A Survey and Taxonomy
- arxiv url: http://arxiv.org/abs/2107.05599v1
- Date: Mon, 12 Jul 2021 17:29:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-13 17:03:16.258533
- Title: Active Divergence with Generative Deep Learning -- A Survey and Taxonomy
- Title（参考訳）: 生成的深層学習によるアクティブダイバージェンス-調査と分類
- Authors: Terence Broad, Sebastian Berns, Simon Colton, Mick Grierson
- Abstract要約: 本報告では, 能動発散技術の現状について, 分類学および包括的調査を行う。
我々は、計算創造性研究者がこれらの手法を進歩させ、真に創造的なシステムで深層生成モデルを使用する可能性を強調した。
- 参考スコア（独自算出の注目度）: 0.6435984242701043
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Generative deep learning systems offer powerful tools for artefact
generation, given their ability to model distributions of data and generate
high-fidelity results. In the context of computational creativity, however, a
major shortcoming is that they are unable to explicitly diverge from the
training data in creative ways and are limited to fitting the target data
distribution. To address these limitations, there have been a growing number of
approaches for optimising, hacking and rewriting these models in order to
actively diverge from the training data. We present a taxonomy and
comprehensive survey of the state of the art of active divergence techniques,
highlighting the potential for computational creativity researchers to advance
these methods and use deep generative models in truly creative systems.
- Abstract（参考訳）: 生成的ディープラーニングシステムは、データの分散をモデル化し、高忠実度結果を生成する能力から、アーティファクト生成のための強力なツールを提供する。
しかし、計算創造性という文脈では、創造的な方法でトレーニングデータから明確に分離できないことや、ターゲットデータ分布に適合することに限定されていることが大きな欠点である。
これらの制限に対処するため、トレーニングデータから積極的に分岐するために、モデルを最適化、ハッキング、書き換えするためのアプローチが増えている。
本稿では,能動発散技術の現状に関する分類的総合的調査を行い,真に創造的なシステムにおいて,計算創造性研究者がこれらの手法を前進させ,深層生成モデルを用いる可能性を強調した。
関連論文リスト
- Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。
3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文 参考訳（メタデータ） (2024-10-31T22:54:34Z) - Transfer Learning with Foundational Models for Time Series Forecasting using Low-Rank Adaptations [0.0]
本研究はLlama Lora-Integrated Autorregresive ModelであるLLIAMを提案する。
低ランク適応は、微調整フェーズとして知られる様々な時系列データセットでモデルの知識を高めるために使用される。
論文 参考訳（メタデータ） (2024-10-15T12:14:01Z) - SIaM: Self-Improving Code-Assisted Mathematical Reasoning of Large Language Models [54.78329741186446]
本稿では,コードに基づく批判モデルを用いて,質問コードデータ構築,品質管理,補完的評価などのステップをガイドする新しいパラダイムを提案する。
英語と中国語におけるドメイン内ベンチマークとドメイン外ベンチマークの両方の実験は、提案したパラダイムの有効性を実証している。
論文 参考訳（メタデータ） (2024-08-28T06:33:03Z) - Diffusion-Based Neural Network Weights Generation [80.89706112736353]
D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。
本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。
我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
論文 参考訳（メタデータ） (2024-02-28T08:34:23Z) - Generative Learning of Continuous Data by Tensor Networks [45.49160369119449]
本稿では,連続データのためのテンソルネットワーク生成モデルについて紹介する。
我々は、このモデルの性能を、いくつかの合成および実世界のデータセットでベンチマークする。
本手法は, 急速に成長する生成学習分野において, 量子インスピレーション法の有効性を示す重要な理論的, 実証的な証拠を与える。
論文 参考訳（メタデータ） (2023-10-31T14:37:37Z) - Reinforcement Learning for Generative AI: A Survey [40.21640713844257]
この調査は、さまざまなアプリケーション領域にまたがるハイレベルなレビューに光を当てることを目的としています。
この領域では厳格な分類法を提供し、様々なモデルや応用について十分なカバレッジを提供している。
この調査は、現在のモデルの限界に対処し、生成AIのフロンティアを拡大する可能性のある潜在的方向を示すことで締めくくられる。
論文 参考訳（メタデータ） (2023-08-28T06:15:14Z) - Creative divergent synthesis with generative models [3.655021726150369]
機械学習のアプローチは、画像、オーディオ、ビデオなど、多くの領域で印象的な生成機能を実現している。
我々は,この複雑な目標をいかに達成できるかについて,様々な視点を提唱し,新しいトレーニング目標であるtextitBounded Adversarial Divergence (BAD) の予備的な結果を提供する。
論文 参考訳（メタデータ） (2022-11-16T12:12:31Z) - Towards Creativity Characterization of Generative Models via Group-based
Subset Scanning [64.6217849133164]
創造的プロセスを特定し,定量化し,特徴付けるグループベースサブセットスキャンを提案する。
創造的なサンプルは、データセット全体にわたる通常のサンプルや非創造的なサンプルよりも大きな異常のサブセットを生成する。
論文 参考訳（メタデータ） (2022-03-01T15:07:14Z) - Towards creativity characterization of generative models via group-based
subset scanning [51.84144826134919]
創造的プロセスを定量化し,検出し,特徴付けるグループベースサブセットスキャンを提案する。
創造的なサンプルは、データセットをまたいだ通常または非創造的なサンプルよりも大きな異常のサブセットを生成する。
論文 参考訳（メタデータ） (2021-04-01T14:07:49Z) - Plausible Counterfactuals: Auditing Deep Learning Classifiers with
Realistic Adversarial Examples [84.8370546614042]
ディープラーニングモデルのブラックボックスの性質は、彼らがデータから何を学ぶかについて、未回答の疑問を提起している。
GAN(Generative Adversarial Network)とマルチオブジェクトは、監査されたモデルに妥当な攻撃を与えるために使用される。
その実用性は人間の顔の分類タスクの中で示され、提案されたフレームワークの潜在的可能性を明らかにしている。
論文 参考訳（メタデータ） (2020-03-25T11:08:56Z)
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。