Fugu-MT 論文翻訳(概要): Generative Networks for Precision Enthusiasts

論文の概要: Generative Networks for Precision Enthusiasts

arxiv url: http://arxiv.org/abs/2110.13632v1
Date: Fri, 22 Oct 2021 18:10:42 GMT
ステータス: 処理完了
システム内更新日: 2021-11-01 04:07:44.220184
Title: Generative Networks for Precision Enthusiasts
Title（参考訳）: 精密エンタシアストのための生成ネットワーク
Authors: Anja Butter, Theo Heimel, Sander Hummerich, Tobias Krebs, Tilman Plehn, Armand Rousselot, Sophia Vent
Abstract要約: 生成フローネットワークが運動分布のパーセンテージレベルの精度にどのように到達できるかを示す。我々は、差別者と共同で行うことができる方法と、この差別者が世代をいかに改善するかを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Generative networks are opening new avenues in fast event generation for the LHC. We show how generative flow networks can reach percent-level precision for kinematic distributions, how they can be trained jointly with a discriminator, and how this discriminator improves the generation. Our joint training relies on a novel coupling of the two networks which does not require a Nash equilibrium. We then estimate the generation uncertainties through a Bayesian network setup and through conditional data augmentation, while the discriminator ensures that there are no systematic inconsistencies compared to the training data.
Abstract（参考訳）: 生成ネットワークはLHCの高速イベント生成に新たな道を開く。生成フローネットワークが運動分布のパーセンテージレベルの精度に到達する方法、判別器と共同で学習する方法、そしてこの判別器が生成をいかに改善するかを示す。我々の共同訓練は、nash平衡を必要としない2つのネットワークの新しい結合に依存している。次に,ベイズネットワークのセットアップと条件付きデータ拡張により生成の不確実性を推定し,識別器はトレーニングデータに比較して系統的不整合がないことを保証する。

関連論文リスト

Dynamically Masked Discriminator for Generative Adversarial Networks [71.33631511762782]
GAN(Generative Adversarial Networks)のトレーニングは依然として難しい問題である。識別器は、実際の/生成されたデータの分布を学習してジェネレータを訓練する。本稿では,オンライン連続学習の観点から,GANの新たな手法を提案する。
論文参考訳（メタデータ） (2023-06-13T12:07:01Z)
Population-Based Evolutionary Gaming for Unsupervised Person Re-identification [26.279581599246224]
教師なしの人物の再識別は、個々のニューラルネットワークの自己改善を通じて大きな成功を収めた。我々は,多種多様なニューラルネットワークの集団が選択,再現,突然変異,集団相互学習を通じて同時に訓練される,人口ベースの進化型ゲーム(PEG)フレームワークを開発する。 PEGは、個人の再識別のための新しい最先端の精度を生み出し、教師なし学習のための集団ベースのネットワーク協調トレーニングの大きな可能性を示している。
論文参考訳（メタデータ） (2023-06-08T14:33:41Z)
Generation of data on discontinuous manifolds via continuous stochastic non-invertible networks [6.201770337181472]
連続ネットワークを用いて不連続分布を生成する方法を示す。コスト関数と情報理論の定式化の関係を導出する。提案手法を合成2次元分布に適用し,不連続分布の再構成と生成の両立を実証する。
論文参考訳（メタデータ） (2021-12-17T17:39:59Z)
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)
Provable Generalization of SGD-trained Neural Networks of Any Width in the Presence of Adversarial Label Noise [85.59576523297568]
勾配降下法により学習した任意の幅の1層リークReLUネットワークを考察する。 sgdは,分布上の最良半空間に匹敵する分類精度を持つニューラルネットワークを生成できることを実証する。
論文参考訳（メタデータ） (2021-01-04T18:32:49Z)
Provably Training Neural Network Classifiers under Fairness Constraints [70.64045590577318]
過パラメータのニューラルネットワークが制約を満たしていることを示す。公平なニューラルネットワーク分類器を構築する上で重要な要素は、ニューラルネットワークの非応答解析を確立することである。
論文参考訳（メタデータ） (2020-12-30T18:46:50Z)
Towards Accurate Quantization and Pruning via Data-free Knowledge Transfer [61.85316480370141]
我々は、訓練された大規模ネットワークからコンパクトネットワークへの知識の伝達により、データフリーな量子化とプルーニングを研究する。データフリーなコンパクトネットワークは、トレーニングデータで訓練され、微調整されたネットワークに対して、競争精度を達成する。
論文参考訳（メタデータ） (2020-10-14T18:02:55Z)
The Projected Belief Network Classfier : both Generative and Discriminative [13.554038901140949]
射影信頼ネットワーク (PBN) は、抽出可能な可能性関数を持つ層状生成ネットワークである。本稿では,完全識別性と完全生成性を有する畳み込み型PBNを構築した。
論文参考訳（メタデータ） (2020-08-14T16:00:54Z)
Parallel/distributed implementation of cellular training for generative adversarial neural networks [7.504722086511921]
GAN(Generative Adversarial Network)は、生成モデルを学ぶために広く使われている。本稿では、GANの2つの集団を訓練するための細胞競合共進化手法の並列/分散実装について述べる。
論文参考訳（メタデータ） (2020-04-07T16:01:58Z)
Imbalanced Data Learning by Minority Class Augmentation using Capsule Adversarial Networks [31.073558420480964]
本稿では,2つの同時手法を合体させて,不均衡な画像のバランスを回復する手法を提案する。我々のモデルでは、生成的および識別的ネットワークは、新しい競争力のあるゲームをする。カプセルGANの合体は、畳み込みGANと比較して非常に少ないパラメータで重なり合うクラスを認識するのに効果的である。
論文参考訳（メタデータ） (2020-04-05T12:36:06Z)
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。