論文の概要: Black-Box Diagnosis and Calibration on GAN Intra-Mode Collapse: A Pilot Study

• arxiv url: http://arxiv.org/abs/2107.12202v1
• Date: Fri, 23 Jul 2021 06:03:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-27 15:56:50.067926
• Title: Black-Box Diagnosis and Calibration on GAN Intra-Mode Collapse: A Pilot Study
• Title（参考訳）: GANイントラモード崩壊におけるブラックボックス診断と校正 : パイロット研究
• Authors: Zhenyu Wu, Zhaowen Wang, Ye Yuan, Jianming Zhang, Zhangyang Wang, Hailin Jin
• Abstract要約: 現在、GAN(Generative Adversarial Network)は驚くべきリアリズムの画像を生成することができる。 懸念の1つは、最先端のGANの学習分布が依然としてモード崩壊に悩まされているかどうかである。 本稿では,GANのモード内崩壊を診断し,新たなブラックボックス設定でそれを校正する方法について検討する。
• 参考スコア（独自算出の注目度）: 116.05514467222544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative adversarial networks (GANs) nowadays are capable of producing images of incredible realism. One concern raised is whether the state-of-the-art GAN's learned distribution still suffers from mode collapse, and what to do if so. Existing diversity tests of samples from GANs are usually conducted qualitatively on a small scale, and/or depends on the access to original training data as well as the trained model parameters. This paper explores to diagnose GAN intra-mode collapse and calibrate that, in a novel black-box setting: no access to training data, nor the trained model parameters, is assumed. The new setting is practically demanded, yet rarely explored and significantly more challenging. As a first stab, we devise a set of statistical tools based on sampling, that can visualize, quantify, and rectify intra-mode collapse. We demonstrate the effectiveness of our proposed diagnosis and calibration techniques, via extensive simulations and experiments, on unconditional GAN image generation (e.g., face and vehicle). Our study reveals that the intra-mode collapse is still a prevailing problem in state-of-the-art GANs and the mode collapse is diagnosable and calibratable in black-box settings. Our codes are available at: https://github.com/VITA-Group/BlackBoxGANCollapse.
• Abstract（参考訳）: 現在、gans(generative adversarial network)は驚くべきリアリズムのイメージを生み出すことができる。 懸念の1つは、最先端のGANの学習分布が依然としてモード崩壊に悩まされているかどうか、そしてもしそうならどうするべきかである。 ganからのサンプルの既存の多様性テストは通常、小規模で定性的に実施され、/または訓練されたモデルパラメータと同様に元のトレーニングデータへのアクセスに依存する。 本稿では,GANのモード内崩壊を診断し,新たなブラックボックス設定で,トレーニングデータやトレーニングされたモデルパラメータへのアクセスが想定されないことを校正する。 新しい設定は実質的に要求されるが、ほとんど探究されず、はるかに困難である。 最初のスタブとして,サンプリングに基づく統計ツールセットを考案し,モード内崩壊の可視化,定量化,修正を行う。 提案手法は,非条件GAN画像生成(例えば,顔と車体)における広範囲なシミュレーションと実験を通じて,診断・校正手法の有効性を示す。 本研究により, モード内崩壊は依然として最先端のGANにおいて大きな問題であり, モード崩壊はブラックボックス設定で診断可能で校正可能であることが明らかとなった。 私たちのコードは、https://github.com/VITA-Group/BlackBoxGANCollapse.comで利用可能です。

関連論文リスト

• Double Gradient Reversal Network for Single-Source Domain Generalization in Multi-mode Fault Diagnosis [1.9389881806157316]
  未確認モード障害診断のための単一モードデータからのドメイン不変のフォールト特徴が課題となる。 既存の方法は、ジェネレータモジュールを使用して、目に見えないモードのサンプルをシミュレートする。 二重勾配反転ネットワーク(DGRN)は、目に見えないモードで高い分類精度を実現するために提案される。
  論文  参考訳（メタデータ） (2024-07-19T02:06:41Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• Extremely Simple Activation Shaping for Out-of-Distribution Detection [10.539058676970267]
  アウト・オブ・ディストリビューション(OOD)検出は、モデルが目に見えない状況に対処する能力をテストする重要な領域である。 既存のOOD検出方法は、追加のトレーニングステップ、追加データ、あるいはトレーニングされたネットワークに非自明な変更を加える。 本稿では, 試料の後期層での活性化の大部分を除去する, 極めて単純で, ホック後のオンザフライ活性化形成法であるASHを提案する。 実験により、このような単純な治療は、最先端のOODを可能にするために、分布内と分布外の違いを高めることが示されている。
  論文  参考訳（メタデータ） (2022-09-20T17:09:49Z)
• On-the-Fly Test-time Adaptation for Medical Image Segmentation [63.476899335138164]
  ソースモデルをテスト時にターゲットデータに適応させることは、データシフト問題に対する効率的な解決策である。 本稿では、各畳み込みブロックに適応バッチ正規化層を設けるAdaptive UNetという新しいフレームワークを提案する。 テスト期間中、モデルは新しいテストイメージのみを取り込み、ドメインコードを生成して、テストデータに従ってソースモデルの特徴を適応させる。
  論文  参考訳（メタデータ） (2022-03-10T18:51:29Z)
• Collapse by Conditioning: Training Class-conditional GANs with Limited Data [109.30895503994687]
  非条件学習を活用することにより、観測モード崩壊を効果的に防止する条件付きGAN(cGAN)のトレーニング戦略を提案する。 我々のトレーニング戦略は、無条件のGANから始まり、徐々に条件情報をジェネレータと目的関数に注入する。 安定したトレーニングだけでなく,高品質な画像を生成するために,限られたデータでcGANを訓練する手法を提案する。
  論文  参考訳（メタデータ） (2022-01-17T18:59:23Z)
• Dense Out-of-Distribution Detection by Robust Learning on Synthetic Negative Data [1.7474352892977458]
  道路走行シーンとリモートセンシング画像における分布外異常の検出方法を示す。 我々は,カバレッジ指向学習の目的と異なる解像度でサンプルを生成する能力により,共同で訓練された正規化フローを活用する。 結果として得られたモデルは、道路走行シーンとリモートセンシング画像におけるアウト・オブ・ディストリビューション検出のためのベンチマークに、新たな技術状況を設定した。
  論文  参考訳（メタデータ） (2021-12-23T20:35:10Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Combating Mode Collapse in GAN training: An Empirical Analysis using Hessian Eigenvalues [4.779196219827507]
  generative adversarial networks (gan) は最先端の成果を画像生成に提供します。 非常に強力だが、モード崩壊を克服するアルゴリズムを訓練することは依然として非常に難しい。 モード崩壊はシャープミニマへの収束に関連していることを示す。 特に、$G$のevaluesがモード崩壊の発生に直接関係していることを観察します。
  論文  参考訳（メタデータ） (2020-12-17T15:40:27Z)
• Detecting Rewards Deterioration in Episodic Reinforcement Learning [63.49923393311052]
  多くのRLアプリケーションでは、トレーニングが終了すると、エージェント性能の劣化をできるだけ早く検出することが不可欠である。 我々は,各エピソードにおける報酬が独立でもなく,同一に分散した,マルコフでもない,エピソード的枠組みを考察する。 平均シフトは、時間信号の劣化(報酬など)に対応する方法で定義し、最適な統計的パワーでこの問題の試行を導出する。
  論文  参考訳（メタデータ） (2020-10-22T12:45:55Z)

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。