論文の概要: Generative Adversarial Nets: Can we generate a new dataset based on only one training set?

• arxiv url: http://arxiv.org/abs/2210.06005v1
• Date: Wed, 12 Oct 2022 08:22:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 16:15:26.349443
• Title: Generative Adversarial Nets: Can we generate a new dataset based on only one training set?
• Title（参考訳）: Generative Adversarial Nets: 1つのトレーニングセットのみに基づいて新しいデータセットを生成することができるか?
• Authors: Lan V. Truong
• Abstract要約: GAN(Generative Adversarial Network)は、Goodfellowらによって設計された機械学習フレームワークのクラスである。 GANはトレーニングセットと同じ分布から新しいサンプルを生成する。 本研究では、トレーニングセットとは異なる分布を持つ新しいデータセットを作成することを目的としている。
• 参考スコア（独自算出の注目度）: 16.3460693863947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A generative adversarial network (GAN) is a class of machine learning frameworks designed by Goodfellow et al. in 2014. In the GAN framework, the generative model is pitted against an adversary: a discriminative model that learns to determine whether a sample is from the model distribution or the data distribution. GAN generates new samples from the same distribution as the training set. In this work, we aim to generate a new dataset that has a different distribution from the training set. In addition, the Jensen-Shannon divergence between the distributions of the generative and training datasets can be controlled by some target $\delta \in [0, 1]$. Our work is motivated by applications in generating new kinds of rice that have similar characteristics as good rice.
• Abstract（参考訳）: generative adversarial network(gan)は、2014年にgoodfellowらによって設計された機械学習フレームワークである。 GANフレームワークでは、生成モデルは、サンプルがモデル分布かデータ分布であるかを判断するために学習する識別モデルである敵に対してピットされる。 GANはトレーニングセットと同じ分布から新しいサンプルを生成する。 本研究では、トレーニングセットとは異なる分布を持つ新しいデータセットを作成することを目的とする。 さらに、生成データセットとトレーニングデータセットの分布の間のジェンセン=シャノンの発散は、いくつかのターゲット$\delta \in [0, 1]$で制御できる。 我々の仕事は、良質な米と似た特徴を持つ新米を生産する用途に動機づけられている。

関連論文リスト

• Universality in Transfer Learning for Linear Models [18.427215139020625]
  回帰モデルと二分分類モデルの両方を対象とした線形モデルにおける伝達学習の問題点について検討する。 我々は、厳密かつ厳密な分析を行い、事前訓練されたモデルと微調整されたモデルに対する一般化誤差(回帰)と分類誤差(二分分類)を関連付ける。
  論文  参考訳（メタデータ） (2024-10-03T03:09:09Z)
• 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)
• Diff-Instruct: A Universal Approach for Transferring Knowledge From Pre-trained Diffusion Models [77.83923746319498]
  本稿では,任意の生成モデルの学習を指導するDiff-Instructというフレームワークを提案する。 Diff-Instructは、最先端の単一ステップ拡散モデルであることを示す。 GANモデルの精製実験により、Diff-InstructはGANモデルの事前訓練されたジェネレータを一貫して改善できることが示されている。
  論文  参考訳（メタデータ） (2023-05-29T04:22:57Z)
• Improving novelty detection with generative adversarial networks on hand gesture data [1.3750624267664153]
  本稿では,GAN(Generative Adversarial Network)フレームワークで訓練されたニューラルネットワーク(ANN)を用いた語彙外ジェスチャの分類方法を提案する。 生成モデルは、新しいサンプルとターゲットベクトルでオンライン形式でデータセットを拡大し、識別モデルはサンプルのクラスを決定する。
  論文  参考訳（メタデータ） (2023-04-13T17:50:15Z)
• Redes Generativas Adversarias (GAN) Fundamentos Te\'oricos y Aplicaciones [0.40611352512781856]
  GAN(Generative Adversarial Network)は、ジェネレータとジェネレータと呼ばれる2つのニューラルネットワークのトレーニングに基づく手法である。 GANはコンピュータビジョン、セマンティックセグメンテーション、時系列合成、画像編集、自然言語処理、テキストからの画像生成など幅広い分野で応用されている。
  論文  参考訳（メタデータ） (2023-02-18T14:39:51Z)
• Learning from aggregated data with a maximum entropy model [73.63512438583375]
  我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。 我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
  論文  参考訳（メタデータ） (2022-10-05T09:17:27Z)
• Generating unrepresented proportions of geological facies using Generative Adversarial Networks [0.0]
  地質データセットにおける相の補間・補間におけるGAN(Generative Adversarial Networks)の能力について検討した。 具体的には、トレーニングセットに存在しない新しい比率に向けて、生成されたファシズムを駆動できる条件付きGANモデルを設計する。 両相・多重相の画像に対する数値実験は, 良好な地質学的整合性を示し, 対象条件と強い相関を示した。
  論文  参考訳（メタデータ） (2022-03-17T22:38:45Z)
• Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
  粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。 粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:58:34Z)
• Class Balancing GAN with a Classifier in the Loop [58.29090045399214]
  本稿では,GANを学習するための理論的動機付けクラスバランス正則化器を提案する。 我々の正規化器は、訓練済みの分類器からの知識を利用して、データセット内のすべてのクラスのバランスの取れた学習を確実にします。 複数のデータセットにまたがる既存手法よりも優れた性能を達成し,長期分布の学習表現における正規化器の有用性を実証する。
  論文  参考訳（メタデータ） (2021-06-17T11:41:30Z)
• 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)
• 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)

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。