論文の概要: IE-GAN: An Improved Evolutionary Generative Adversarial Network Using a
New Fitness Function and a Generic Crossover Operator
- arxiv url: http://arxiv.org/abs/2109.11078v3
- Date: Tue, 1 Nov 2022 09:40:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-20 23:28:14.569140
- Title: IE-GAN: An Improved Evolutionary Generative Adversarial Network Using a
New Fitness Function and a Generic Crossover Operator
- Title（参考訳）: IE-GAN:新しいフィトネス関数とジェネリッククロスオーバー演算子を用いた進化的生成対向ネットワークの改良
- Authors: Junjie Li, Jingyao Li, Wenbo Zhou, Shuai L\"u
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 20.100388977505002
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The training of generative adversarial networks (GANs) is usually vulnerable
to mode collapse and vanishing gradients. The evolutionary generative
adversarial network (E-GAN) attempts to alleviate these issues by optimizing
the learning strategy with multiple loss functions. It uses a learning-based
evolutionary framework, which develops new mutation operators specifically for
general deep neural networks. However, the evaluation mechanism in the fitness
function of E-GAN cannot truly reflect the adaptability of individuals to their
environment, leading to an inaccurate assessment of the diversity of
individuals. Moreover, the evolution step of E-GAN only contains mutation
operators without considering the crossover operator jointly, isolating the
superior characteristics among individuals. To address these issues, we propose
an improved E-GAN framework called IE-GAN, which introduces a new fitness
function and a generic crossover operator. In particular, the proposed fitness
function, from an objective perspective, can model the evolutionary process of
individuals more accurately. The crossover operator, which has been commonly
adopted in evolutionary algorithms, can enable offspring to imitate the
superior gene expression of their parents through knowledge distillation.
Experiments on various datasets demonstrate the effectiveness of our proposed
IE-GAN in terms of the quality of the generated samples and time efficiency.
- Abstract（参考訳）: GAN(Generative Adversarial Network)のトレーニングは通常、モード崩壊や勾配の消失に対して脆弱である。
進化的生成的敵ネットワーク(E-GAN)は、学習戦略を複数の損失関数で最適化することによりこれらの問題を緩和しようとする。
学習ベースの進化的フレームワークを使用し、一般的なディープニューラルネットワークに特化した新しい突然変異演算子を開発する。
しかし, e-ganの適合性評価機構は, 個体の環境への適応性を反映していないため, 個体の多様性を不正確な評価に導いた。
さらに、E-GANの進化段階は、クロスオーバー演算子を共同で考慮せずに突然変異演算子のみを含み、個人間で優れた特性を分離する。
これらの問題に対処するために、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し、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、客観的な観点から提案された適合関数は、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。
進化的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オペレーターは、子孫が知識蒸留を通じて両親の優れた遺伝子発現を模倣することができる。
各種データセットを用いた実験により,提案するie-ganの有効性を,生成試料の品質と時間効率の観点から証明した。
関連論文リスト
- Genetic Drift Regularization: on preventing Actor Injection from breaking Evolution Strategies [9.813386592472535]
遺伝的ドリフト規則化(英: Genetic Drift Regularization、GDR)は、アクターゲノムがESから離脱するのを阻止する、アクター訓練損失の単純な正規化法である。
GDRは、RLがよく学習する問題に対するES収束を改善するだけでなく、他のタスクにおけるRLトレーニングにも役立つことを示す。
論文 参考訳（メタデータ） (2024-05-07T13:48:59Z) - GE-AdvGAN: Improving the transferability of adversarial samples by
gradient editing-based adversarial generative model [69.71629949747884]
GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。
本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-01-11T16:43:16Z) - DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary
Intelligence [77.78795329701367]
本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。
我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。
今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
論文 参考訳（メタデータ） (2023-12-08T16:51:10Z) - eVAE: Evolutionary Variational Autoencoder [40.29009643819948]
変動情報ボトルネック(VIB)理論に基づく進化的変分オートエンコーダ(eVAE)の構築を提案する。
eVAEは変異遺伝的アルゴリズムを、変異突然変異、交叉、進化を含む変異進化演算子とVAEに統合する。
eVAEは、コンペティターよりもコンペティターのリコンストラクションロス、アンタングル、ジェネレーション-推論バランスが向上する。
論文 参考訳（メタデータ） (2023-01-01T23:54:35Z) - Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited
Data [125.7135706352493]
GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。
近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。
本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-12T18:13:45Z) - Epigenetic evolution of deep convolutional models [81.21462458089142]
我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。
異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。
提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
論文 参考訳（メタデータ） (2021-04-12T12:45:16Z) - 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) - Complexity-based speciation and genotype representation for
neuroevolution [81.21462458089142]
本稿では、進化するネットワークを隠されたニューロンの数に基づいて種に分類する神経進化の種分化原理を提案する。
提案された種分化原理は、種および生態系全体における多様性の促進と保存を目的として設計されたいくつかの技術で採用されている。
論文 参考訳（メタデータ） (2020-10-11T06:26:56Z) - 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) - Using Skill Rating as Fitness on the Evolution of GANs [0.4588028371034407]
Generative Adversarial Networks (GAN) は、生成タスクにおいて印象的な結果を得た敵モデルである。
GANは安定性に関するいくつかの課題を提示し、トレーニングを通常、ヒット・アンド・ミスのプロセスにする。
近年の研究では、これらの課題を解決し、優れたモデルを見つけるための自動方法を提供することを目的として、GANトレーニングにおける進化的アルゴリズムの使用が提案されている。
論文 参考訳（メタデータ） (2020-04-09T20:26:51Z)
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。