Fugu-MT 論文翻訳(概要): GM Score: Incorporating inter-class and intra-class generator diversity, discriminability of disentangled representation, and sample fidelity for evaluating GANs

論文の概要: GM Score: Incorporating inter-class and intra-class generator diversity, discriminability of disentangled representation, and sample fidelity for evaluating GANs

arxiv url: http://arxiv.org/abs/2112.06431v2
Date: Thu, 16 Dec 2021 03:49:10 GMT
ステータス: 処理完了
システム内更新日: 2021-12-17 11:55:45.944464
Title: GM Score: Incorporating inter-class and intra-class generator diversity, discriminability of disentangled representation, and sample fidelity for evaluating GANs
Title（参考訳）: GMスコア:クラス間およびクラス内ジェネレータの多様性、アンタングル表現の識別性、GANの評価のためのサンプル忠実度
Authors: Harshvardhan GM (1), Aanchal Sahu (1), Mahendra Kumar Gourisaria (1) ((1) School of Computer Engineering, KIIT Deemed to be University, Bhubaneswar, India)
Abstract要約: 本稿では, 標本品質, 不整合表現, クラス内およびクラス間多様性, 精度, リコール, F1スコアなど, 様々な要因を取り入れた新しいスコア, GM Scoreを提案する。この評価は、ベンチマークMNISTデータセットでトレーニングされた異なるGAN(GAN, DCGAN, BiGAN, CGAN, CoupledGAN, LSGAN, SGAN, WGAN, WGAN Improved)に対して行われる。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: While generative adversarial networks (GAN) are popular for their higher sample quality as opposed to other generative models like the variational autoencoders (VAE) and Boltzmann machines, they suffer from the same difficulty of the evaluation of generated samples. Various aspects must be kept in mind, such as the quality of generated samples, the diversity of classes (within a class and among classes), the use of disentangled latent spaces, agreement of said evaluation metric with human perception, etc. In this paper, we propose a new score, namely, GM Score, which takes into various factors such as sample quality, disentangled representation, intra-class and inter-class diversity, and other metrics such as precision, recall, and F1 score are employed for discriminability of latent space of deep belief network (DBN) and restricted Boltzmann machine (RBM). The evaluation is done for different GANs (GAN, DCGAN, BiGAN, CGAN, CoupledGAN, LSGAN, SGAN, WGAN, and WGAN Improved) trained on the benchmark MNIST dataset.
Abstract（参考訳）: 生成敵ネットワーク(gan)は、変分オートエンコーダ(vae)やボルツマン(boltzmann)といった他の生成モデルと異なり、高いサンプル品質で人気があるが、生成したサンプルの評価が困難である。生成したサンプルの品質、クラス(クラスとクラス間)の多様性、非絡み合った潜在空間の使用、上記の評価基準と人間の知覚との一致など、さまざまな側面を念頭に置いておく必要がある。本稿では,サンプル品質,異種間表現,クラス内およびクラス間多様性などの様々な要因を考慮したgmスコアと,深層信念ネットワーク (dbn) と制限ボルツマンマシン (rbm) の潜在空間の識別性について,精度,リコール,f1スコアなどの指標を用いた新しいスコアを提案する。この評価は、ベンチマークMNISTデータセットでトレーニングされた異なるGAN(GAN, DCGAN, BiGAN, CGAN, CoupledGAN, LSGAN, SGAN, WGAN, WGAN Improved)に対して行われる。

関連論文リスト

GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。 GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
論文参考訳（メタデータ） (2023-04-19T14:58:27Z)
Generative Model Based Noise Robust Training for Unsupervised Domain Adaptation [108.11783463263328]
本稿では, 生成モデルに基づくノイズ・ロバスト訓練法(GeNRT)を提案する。ラベルノイズを緩和しながらドメインシフトを除去する。 Office-Home、PACS、Digit-Fiveの実験は、GeNRTが最先端のメソッドに匹敵するパフォーマンスを実現していることを示している。
論文参考訳（メタデータ） (2023-03-10T06:43:55Z)
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)
Towards a Unified Multi-Dimensional Evaluator for Text Generation [101.47008809623202]
自然言語生成のための統一多次元評価器UniEvalを提案する。我々はNLG評価をブール質問回答(QA)タスクとして再設定し、異なる質問でモデルを導くことで、複数の次元から評価するために1つの評価器を使うことができる。 3つの典型的なNLGタスクの実験では、UniEvalは既存のメトリクスよりも人間の判断と大きく相関している。
論文参考訳（メタデータ） (2022-10-13T17:17:03Z)
RepFair-GAN: Mitigating Representation Bias in GANs Using Gradient Clipping [2.580765958706854]
生成モデルに対する新しい公平性の概念を、同じ保護属性を共有する生成されたサンプルの分布の観点から定義する。この公平性の概念は、データセットが等しく表現されたグループを含む場合でも破られることを示す。判別器におけるグループワイド勾配ノルムクリッピングにより群勾配ノルムを制御することにより,より公正なデータ生成につながることを示す。
論文参考訳（メタデータ） (2022-07-13T14:58:48Z)
UQGAN: A Unified Model for Uncertainty Quantification of Deep Classifiers trained via Conditional GANs [9.496524884855559]
本稿では,GAN(Generative Adversarial Network)に基づく画像分類におけるディープニューラルネットワークの不確実性の定量化手法を提案する。 GAN の生成した OoD の例で分散データの全体を保護する代わりに,条件付き GAN によって生成されたクラスを別々に保護する。特に、最先端のGAN学習に基づく分類器のOoD検出とFP検出性能を改善した。
論文参考訳（メタデータ） (2022-01-31T14:42:35Z)
cGANs with Auxiliary Discriminative Classifier [43.78253518292111]
条件付き生成モデルは、データとラベルの基本的な結合分布を学習することを目的としている。副分類器生成敵ネットワーク (AC-GAN) は広く用いられているが, 生成標本のクラス内多様性の低い問題に悩まされている。本稿では,AC-GANの問題に対処するため,補助識別器(ADC-GAN)を用いた新しいcGANを提案する。
論文参考訳（メタデータ） (2021-07-21T13:06:32Z)
On the Evaluation of Generative Adversarial Networks By Discriminative Models [0.0]
GAN(Generative Adversarial Networks)は、複雑な多次元データを正確にモデル化し、現実的なサンプルを生成する。この問題に対処する研究努力の大部分は、質的な視覚的評価によって検証された。本研究では,シームズニューラルネットワークを用いてドメインに依存しない評価指標を提案する。
論文参考訳（メタデータ） (2020-10-07T17:50:39Z)
Discriminator Contrastive Divergence: Semi-Amortized Generative Modeling by Exploring Energy of the Discriminator [85.68825725223873]
GAN(Generative Adversarial Networks)は、高次元データのモデリングにおいて大きな可能性を秘めている。本稿では,WGANの識別器の特性を活かした識別器コントラストの多様性について紹介する。我々は、合成データと実世界の画像生成ベンチマークの両方において、大幅に改善された生成の利点を実証する。
論文参考訳（メタデータ） (2020-04-05T01:50:16Z)
Self-Adversarial Learning with Comparative Discrimination for Text Generation [111.18614166615968]
本稿では,テキスト生成におけるGANの性能向上のための,新たな自己逆学習(SAL)パラダイムを提案する。トレーニング中、SALは、現在生成された文が以前生成されたサンプルより優れていると判断されたときにジェネレータに報酬を与える。テキスト生成ベンチマークデータセットの実験により,提案手法は品質と多様性の両方を大幅に改善することが示された。
論文参考訳（メタデータ） (2020-01-31T07:50:25Z)

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。