論文の概要: Shared Loss between Generators of GANs

• arxiv url: http://arxiv.org/abs/2211.07234v1
• Date: Mon, 14 Nov 2022 09:47:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 16:27:24.112469
• Title: Shared Loss between Generators of GANs
• Title（参考訳）: GAN発電機間の共有損失
• Authors: Xin Wang
• Abstract要約: 生成逆数ネットワークは、入力データの暗黙の確率分布を高精度に再現できる生成モデルである。 伝統的に、GANはジェネレータとディスクリミネーターで構成されており、互いに相互作用して非常にリアルな人工データを生成する。 その結果,GANのトレーニング時間は劇的に短縮され,性能に影響を与えないことがわかった。
• 参考スコア（独自算出の注目度）: 7.33811357166334
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Generative adversarial networks are generative models that are capable of replicating the implicit probability distribution of the input data with high accuracy. Traditionally, GANs consist of a Generator and a Discriminator which interact with each other to produce highly realistic artificial data. Traditional GANs fall prey to the mode collapse problem, which means that they are unable to generate the different variations of data present in the input dataset. Recently, multiple generators have been used to produce more realistic output by mitigating the mode collapse problem. We use this multiple generator framework. The novelty in this paper lies in making the generators compete against each other while interacting with the discriminator simultaneously. We show that this causes a dramatic reduction in the training time for GANs without affecting its performance.
• Abstract（参考訳）: 生成逆ネットワーク(generative adversarial networks)は、入力データの暗黙的確率分布を高精度に再現できる生成モデルである。 伝統的にganは、非常に現実的な人工データを生成するために互いに相互作用するジェネレータと識別器で構成されている。 従来のganは、入力データセットに存在するさまざまな種類のデータを生成することができないという、モード崩壊問題の原因になる。 近年、モード崩壊問題を緩和してより現実的な出力を生成するために複数のジェネレータが使われている。 この複数のジェネレータフレームワークを使用します。 本論文の新規性は, 判別器を同時に操作しながら, ジェネレータ同士を競合させることにある。 その結果,GANのトレーニング時間は劇的に短縮され,性能に影響を与えないことがわかった。

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)
• Self-Conditioned Generative Adversarial Networks for Image Editing [61.50205580051405]
  Generative Adversarial Networks (GAN) はバイアスの影響を受けやすい。 我々は、このバイアスが公平性だけでなく、分布のコアから逸脱する際の潜在トラバース編集手法の崩壊に重要な役割を果たしていると論じる。
  論文  参考訳（メタデータ） (2022-02-08T18:08:24Z)
• 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)
• DECAF: Generating Fair Synthetic Data Using Causally-Aware Generative Networks [71.6879432974126]
  本稿では,GANに基づく表型データのための公正な合成データ生成装置であるDECAFを紹介する。 DeCAFは望ましくないバイアスを除去し,高品質な合成データを生成可能であることを示す。 下流モデルの収束と公平性に関する理論的保証を提供する。
  論文  参考訳（メタデータ） (2021-10-25T12:39:56Z)
• VARGAN: Variance Enforcing Network Enhanced GAN [0.6445605125467573]
  我々は、GAN(VARGAN)を強制する分散と呼ばれる新しいGANアーキテクチャを導入する。 VARGANは第3のネットワークを組み込んで、生成されたサンプルに多様性を導入する。 高多様性と低計算複雑性、および高速収束により、VARGANはモード崩壊を緩和する有望なモデルとなる。
  論文  参考訳（メタデータ） (2021-09-05T16:28:21Z)
• Mode Penalty Generative Adversarial Network with adapted Auto-encoder [0.15229257192293197]
  本稿では,事前学習した自動エンコーダと組み合わされたモードペナルティGANを提案する。 提案手法をGANに適用することにより, ジェネレータの最適化がより安定し, 実験による収束が早くなることを示す。
  論文  参考訳（メタデータ） (2020-11-16T03:39:53Z)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)
• Generative models with kernel distance in data space [10.002379593718471]
  LCWジェネレータはガウスノイズをデータ空間に変換する際に古典的なGANに似ている。 第一に、カーネル測度を用いたオートエンコーダに基づくアーキテクチャは、データの多様体をモデル化するために構築される。 最終モデルを得るために、ガウスからラテンへのラテントトリック写像を提案する。
  論文  参考訳（メタデータ） (2020-09-15T19:11:47Z)
• 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)
• 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)

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。