論文の概要: Differential-Critic GAN: Generating What You Want by a Cue of Preferences

• arxiv url: http://arxiv.org/abs/2107.06700v1
• Date: Wed, 14 Jul 2021 13:44:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-15 14:15:25.452284
• Title: Differential-Critic GAN: Generating What You Want by a Cue of Preferences
• Title（参考訳）: Differential-Critic GAN: 選好のキューで望むものを生成する
• Authors: Yinghua Yao, Yuangang Pan, Ivor W.Tsang, Xin Yao
• Abstract要約: 本稿では,ユーザが望むデータの分布を学習するためのディファレンシャル・クリティカル・ジェネレーティブ・アドバイザリ・ネットワーク(DiCGAN)を提案する。 我々のDiCGANは,ユーザの希望するデータ分布を学習する上で,最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 46.938056382255304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes Differential-Critic Generative Adversarial Network (DiCGAN) to learn the distribution of user-desired data when only partial instead of the entire dataset possesses the desired property, which generates desired data that meets user's expectations and can assist in designing biological products with desired properties. Existing approaches select the desired samples first and train regular GANs on the selected samples to derive the user-desired data distribution. However, the selection of the desired data relies on an expert criterion and supervision over the entire dataset. DiCGAN introduces a differential critic that can learn the preference direction from the pairwise preferences, which is amateur knowledge and can be defined on part of the training data. The resultant critic guides the generation of the desired data instead of the whole data. Specifically, apart from the Wasserstein GAN loss, a ranking loss of the pairwise preferences is defined over the critic. It endows the difference of critic values between each pair of samples with the pairwise preference relation. The higher critic value indicates that the sample is preferred by the user. Thus training the generative model for higher critic values encourages the generation of user-preferred samples. Extensive experiments show that our DiCGAN achieves state-of-the-art performance in learning the user-desired data distributions, especially in the cases of insufficient desired data and limited supervision.
• Abstract（参考訳）: 本稿では,利用者の期待を満たし,所望の属性を持った生物製品の設計を支援するデータを生成するため,データセット全体ではなく部分的なデータのみを所有する場合に,利用者の希望するデータの分布を学習するために,ディファレンシャル・クリティック・ジェネレーティブ・アドバーサリー・ネットワーク(dicgan)を提案する。 既存のアプローチでは、まず所望のサンプルを選択し、選択したサンプルに正規のGANを訓練して、ユーザが望むデータ分布を導出する。 しかし、望ましいデータの選択は、データセット全体に対する専門家の基準と監督に依存する。 DiCGANは、アマチュアの知識であり、トレーニングデータの一部として定義できる、ペアの好みから好みの方向を学習できる差分批評家を導入する。 結果の批評家は、データ全体ではなく、所望のデータの生成をガイドする。 具体的には、ワッサーシュタイン GAN の損失とは別に、ペアの選好のランキングの損失が批評家によって定義される。 それぞれのサンプル間の評価値の差をペアの選好関係で与える。 高い批評家価値は、サンプルがユーザに好まれることを示している。 このように、より高い批判値に対する生成モデルを訓練することで、ユーザ優先のサンプルの生成が促進される。 広汎な実験により,DCGANはユーザの希望するデータ分布を学習する上で,特に所望の不十分なデータや限られた監視を行う場合において,最先端のパフォーマンスを達成することが示された。

関連論文リスト

• Testing Deep Learning Recommender Systems Models on Synthetic GAN-Generated Datasets [0.27624021966289597]
  GANRS(Generative Adversarial Networks for Recommender Systems)は、協調フィルタリングレコメンデーションシステムのためのデータセットを生成する。 我々は、ソースとして3つの異なる実データから複数の合成データセットを作成することにより、GANRS法を検証した。 また、比較性能とGANRS法の両方をテストするために、6つの最先端協調フィルタリング深層学習モデルを選択した。
  論文  参考訳（メタデータ） (2024-10-23T08:09:48Z)
• A CLIP-Powered Framework for Robust and Generalizable Data Selection [51.46695086779598]
  実世界のデータセットは、しばしば冗長でノイズの多いデータを含み、トレーニング効率とモデルパフォーマンスに悪影響を及ぼす。 データ選択は、データセット全体から最も代表的なサンプルを特定することを約束している。 より堅牢で一般化可能なサンプル選択にマルチモーダル情報を活用するCLIPを利用した新しいデータ選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-15T03:00:58Z)
• Adapt-$\infty$: Scalable Lifelong Multimodal Instruction Tuning via Dynamic Data Selection [89.42023974249122]
  Adapt-$infty$は、Lifelong Instruction Tuningの新しいマルチウェイおよびアダプティブデータ選択アプローチである。 勾配に基づくサンプルベクトルをグループ化して擬似スキルクラスタを構築する。 セレクタエキスパートのプールから各スキルクラスタの最高のパフォーマンスデータセレクタを選択する。
  論文  参考訳（メタデータ） (2024-10-14T15:48:09Z)
• LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
  本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。 LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。 我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
  論文  参考訳（メタデータ） (2024-02-06T19:18:04Z)
• Utilizing dataset affinity prediction in object detection to assess training data [4.508868068781057]
  車両データセットのヘテロジニアスプールからサンプルを自動的に選択することで、いわゆるデータセット親和性スコアの利点を示す。 その結果、物体検出器は検出精度を損なうことなく、かなりスペーサーなトレーニングサンプルで訓練できることがわかった。
  論文  参考訳（メタデータ） (2023-11-16T10:45:32Z)
• Creating Synthetic Datasets for Collaborative Filtering Recommender Systems using Generative Adversarial Networks [1.290382979353427]
  機械学習における研究と教育には、必要なトレーニング、検証、テストタスクを処理するために、多様な、代表的でオープンなデータセットが必要です。 この研究の多様性を養うためには、既存のデータセットを合成データセットで補強する必要がある。 本稿では,協調フィルタリングデータセットを生成するGAN(Generative Adversarial Network)に基づく手法を提案する。
  論文  参考訳（メタデータ） (2023-03-02T14:23:27Z)
• Distributed Traffic Synthesis and Classification in Edge Networks: A Federated Self-supervised Learning Approach [83.2160310392168]
  本稿では,多数の異種データセット上での自動トラフィック解析と合成を支援するFS-GANを提案する。 FS-GANは複数の分散ジェネレーティブ・アドバイサル・ネットワーク(GAN)から構成される FS-GANは未知のサービスのデータを分類し、未知のタイプのトラフィック分布をキャプチャする合成サンプルを作成する。
  論文  参考訳（メタデータ） (2023-02-01T03:23:11Z)
• Explaining Cross-Domain Recognition with Interpretable Deep Classifier [100.63114424262234]
  解釈可能なDeep(IDC)は、ターゲットサンプルの最も近いソースサンプルを、分類器が決定を下す証拠として学習する。 我々のIDCは、精度の劣化がほとんどなく、最適なリジェクションオプションの分類を効果的に調整する、より説明可能なモデルに導かれる。
  論文  参考訳（メタデータ） (2022-11-15T15:58:56Z)
• Generating Data to Mitigate Spurious Correlations in Natural Language Inference Datasets [27.562256973255728]
  自然言語処理モデルはしばしば、タスクに依存しない特徴とデータセットのラベルの間の急激な相関を利用して、トレーニング対象のディストリビューション内でのみうまく機能する。 そこで本研究では, 脱バイアス化したデータセットを生成して, 脱バイアス化したオフザシェルフモデルをトレーニングする手法を提案する。 提案手法は,1)高品質なラベル一貫性のあるデータサンプルを生成するためのデータジェネレータの訓練方法,2)素粒子相関に寄与するデータ点を除去するフィルタリング機構から構成される。
  論文  参考訳（メタデータ） (2022-03-24T09:08:05Z)
• Negative Data Augmentation [127.28042046152954]
  負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。 我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。 実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
  論文  参考訳（メタデータ） (2021-02-09T20:28:35Z)

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。