論文の概要: Diversity in deep generative models and generative AI

• arxiv url: http://arxiv.org/abs/2202.09573v2
• Date: Fri, 15 Sep 2023 16:55:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-18 19:15:11.421724
• Title: Diversity in deep generative models and generative AI
• Title（参考訳）: 深部生成モデルと生成AIの多様性
• Authors: Gabriel Turinici
• Abstract要約: 本稿では,カーネルをベースとした測度量子化手法を提案する。 これにより、生成されたオブジェクトの多様性が向上する。 この方法は古典的な機械学習ベンチマークでテストされる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The machine learning generative algorithms such as Generative Adversarial Networks (GAN) and Variational Auto-Encoders (VAE) show impressive results when constructing objects similar to those in a training ensemble. However, the generation of new objects builds mainly on the understanding of the hidden structure of the training dataset followed by a sampling from a multi-dimensional normal variable. In particular each sample is independent from the others and can repeatedly propose same type of objects. To cure this drawback we introduce a kernel-based measure quantization method that can produce new objects from a given target measure by approximating it as a whole and even staying away from elements already drawn from that distribution. This ensures a better diversity of the produced objects. The method is tested on classic machine learning benchmarks.
• Abstract（参考訳）: Generative Adversarial Networks (GAN) や Variational Auto-Encoders (VAE) のような機械学習生成アルゴリズムは、トレーニングアンサンブルに類似したオブジェクトを構築する際に印象的な結果を示す。 しかし、新しいオブジェクトの生成は主にトレーニングデータセットの隠れ構造の理解に基づいて構築され、続いて多次元の正規変数からのサンプリングが行われる。 特に各サンプルは他のサンプルとは独立しており、同じ種類のオブジェクトを繰り返し提案することができる。 この欠点を解消するために、カーネルベースの測度量子化法を紹介し、その分布から既に引き出された要素から遠ざかることさえ可能とすることで、与えられた対象の測度から新しいオブジェクトを生成することができる。 これにより、生成されたオブジェクトの多様性が向上する。 この方法は古典的な機械学習ベンチマークでテストされる。

関連論文リスト

• Improving Out-of-Distribution Robustness of Classifiers via Generative Interpolation [56.620403243640396]
  ディープニューラルネットワークは、独立かつ同一に分散されたデータ(すなわち、d)から学習する上で、優れたパフォーマンスを達成する。 しかし、アウト・オブ・ディストリビューション(OoD)データを扱う場合、その性能は著しく低下する。 多様なOoDサンプルを合成するために,複数のドメインから学習した生成モデルを融合するための生成補間法(Generative Interpolation)を開発した。
  論文  参考訳（メタデータ） (2023-07-23T03:53:53Z)
• Generating Features with Increased Crop-related Diversity for Few-Shot Object Detection [35.652092907690694]
  2段階のオブジェクト検出器はオブジェクトの提案を生成し、イメージ内のオブジェクトを検出するためにそれらを分類する。 提案にはオブジェクトを完全に含まないことが多いが、多くの点で重複している。 本稿では,作物の多様性が増大するデータを生成することのできる,新しい変分自動エンコーダに基づくデータ生成モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-11T09:47:21Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• String-based Molecule Generation via Multi-decoder VAE [56.465033997245776]
  可変オートエンコーダ(VAE)による文字列型分子生成の問題点について検討する。 本稿では,そのタスクに対するVAEの性能を改善するための,シンプルで効果的なアイデアを提案する。 実験では,提案するVAEモデルを用いて,領域外分布からサンプルを生成する。
  論文  参考訳（メタデータ） (2022-08-23T03:56:30Z)
• Algorithms that get old : the case of generative algorithms [0.0]
  生成IAネットワークは、要求されるたびに新しいオブジェクトを生成する。 この行動は、時代が経つにつれてスタイルを変え、最初の段階に戻ることはめったにない人間のアーティストとは違っている。 生成アルゴリズムと組み合わせて用いる数値パラダイムを提案するが、これは以下の2つの要件を満たす: 生成されたオブジェクトは反復せず、ターゲットの確率測度全体を満たすために進化する。
  論文  参考訳（メタデータ） (2022-02-07T08:55:37Z)
• Latent-Insensitive Autoencoders for Anomaly Detection and Class-Incremental Learning [0.0]
  我々は、類似ドメインからのラベルなしデータを負の例として用いて、正規のオートエンコーダの潜伏層(ブートネック)を形成するLatent-Insensitive Autoencoder (LIS-AE)を紹介した。 本稿では,クラス毎に異なる潜在層を追加して,クラス増分学習を複数の異常検出タスクとして扱うとともに,クラス増分学習を負の例として,各潜在層を形作る。
  論文  参考訳（メタデータ） (2021-10-25T16:53:49Z)
• Hierarchical Few-Shot Generative Models [18.216729811514718]
  本稿では,ニューラルネットワークを階層的なアプローチに拡張する潜伏変数のアプローチについて検討する。 以上の結果から,階層的な定式化は,小データ構造における集合内の内在的変動をよりよく捉えることが示唆された。
  論文  参考訳（メタデータ） (2021-10-23T19:19:39Z)
• Multi-Facet Clustering Variational Autoencoders [9.150555507030083]
  画像などの高次元データは通常、クラスタリング可能な複数の興味深い特徴を特徴付ける。 MFCVAE(Multi-Facet Clustering Variational Autoencoders)を導入する。 MFCVAEは複数のクラスタリングを同時に学習し、完全に教師なしでエンドツーエンドで訓練されている。
  論文  参考訳（メタデータ） (2021-06-09T17:36:38Z)
• MOGAN: Morphologic-structure-aware Generative Learning from a Single Image [59.59698650663925]
  近年,1つの画像のみに基づく生成モデルによる完全学習が提案されている。 多様な外観のランダムなサンプルを生成するMOGANというMOrphologic-structure-aware Generative Adversarial Networkを紹介します。 合理的な構造の維持や外観の変化など、内部機能に重点を置いています。
  論文  参考訳（メタデータ） (2021-03-04T12:45:23Z)
• Exploring Complementary Strengths of Invariant and Equivariant Representations for Few-Shot Learning [96.75889543560497]
  多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。 少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。 幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
  論文  参考訳（メタデータ） (2021-03-01T21:14:33Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)

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。