論文の概要: Distribution Fitting for Combating Mode Collapse in GANs

• arxiv url: http://arxiv.org/abs/2212.01521v1
• Date: Sat, 3 Dec 2022 03:39:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-06 15:36:24.796362
• Title: Distribution Fitting for Combating Mode Collapse in GANs
• Title（参考訳）: GANにおける燃焼モード崩壊のための分布フィッティング
• Authors: Yanxiang Gong, Zhiwei Xie, Guozhen Duan, Zheng Ma, Mei Xie
• Abstract要約: モード崩壊は、生成的敵ネットワークにおける主要な未解決問題である。 ペナルティ項を用いたグローバル分散フィッティング(GDF)手法を提案する。 また,実分布が不明な状況に対処するための局所分布フィッティング法(LDF)を提案する。
• 参考スコア（独自算出の注目度）: 2.984847798998598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mode collapse is still a major unsolved problem in generative adversarial networks. In this work, we analyze the causes of mode collapse from a new perspective. Due to the nonuniform sampling in the training process, some sub-distributions can be missed while sampling data. Therefore, the GAN objective can reach the minimum when the generated distribution is not the same as the real one. To alleviate the problem, we propose a global distribution fitting (GDF) method by a penalty term to constrain generated data distribution. On the basis of not changing the global minimum of the GAN objective, GDF will make it harder to reach the minimum value when the generated distribution is not the same as the real one. Furthermore, we also propose a local distribution fitting (LDF) method to cope with the situation that the real distribution is unknown. Experiments on several benchmarks demonstrate the effectiveness and competitive performance of GDF and LDF.
• Abstract（参考訳）: モード崩壊は、生成的敵ネットワークにおける主要な未解決問題である。 本研究では,モード崩壊の原因を新たな視点から分析する。 トレーニングプロセスにおける非一様サンプリングのため、サンプリングデータ中にいくつかのサブディストリビューションを見逃すことができる。 したがって、GANの目的は、生成した分布が実分布と同じでない場合に最小値に達することができる。 この問題を軽減するために、ペナルティ項によるグローバル分散フィッティング(GDF)手法を提案し、生成されたデータ分布を制約する。 GAN目標のグローバルな最小値を変更しないため、GDFは、生成した分布が実値と同じでない場合に、最小値に到達するのを難しくする。 また,実分布が不明な状況に対処するための局所分布フィッティング法(LDF)を提案する。 いくつかのベンチマーク実験では, GDF と LDF の有効性と競争性能が示された。

関連論文リスト

• Generative Conditional Distributions by Neural (Entropic) Optimal Transport [12.152228552335798]
  本稿では,条件分布の生成モデル学習を目的とした,ニューラルエントロピー最適輸送手法を提案する。 提案手法は,2つのニューラルネットワークのミニマックストレーニングに依存する。 実世界のデータセットを用いた実験では,現状条件分布学習法と比較して,アルゴリズムの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-04T13:45:35Z)
• Delta-AI: Local objectives for amortized inference in sparse graphical models [64.5938437823851]
  スパース確率的グラフィカルモデル(PGM)における補正推論のための新しいアルゴリズムを提案する。 提案手法は, PGMにおける変数のサンプリングをエージェントが行う一連の行動とみなす場合, エージェントのポリシー学習目的において, PGMの疎結合が局所的な信用割当を可能にするという観察に基づいている。 合成PGMからサンプリングし、スパース因子構造を持つ潜在変数モデルを訓練するための$Delta$-AIの有効性について説明する。
  論文  参考訳（メタデータ） (2023-10-03T20:37:03Z)
• Boundary of Distribution Support Generator (BDSG): Sample Generation on the Boundary [0.0]
  最近開発されたInvertible Residual Network (IResNet) とResidual Flow (ResFlow) を密度推定に利用した。 これらのモデルはまだ異常検出に使われていない。
  論文  参考訳（メタデータ） (2021-07-21T09:00:32Z)
• KL Guided Domain Adaptation [88.19298405363452]
  ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。 ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。 確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
  論文  参考訳（メタデータ） (2021-06-14T22:24:23Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• IID-GAN: an IID Sampling Perspective for Regularizing Mode Collapse [82.49564071049366]
  GAN(Generative Adversarial Network)はまだモード崩壊に悩まされている。 我々は、この問題を独立かつ同一に分散されたIIDサンプリング視点で分析し、規則化しようと試みる。 本稿では,実データの逆サンプルとガウス音源との近接性を高め,対象分布から生成するIIDを正規化するための新たな損失を提案する。
  論文  参考訳（メタデータ） (2021-06-01T15:20:34Z)
• 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)
• Global Distance-distributions Separation for Unsupervised Person Re-identification [93.39253443415392]
  既存の教師なしのReIDアプローチは、距離ベースのマッチング/ランク付けを通じて正のサンプルと負のサンプルを正しく識別するのに失敗することが多い。 本研究では,2つの分布に対する大域的距離分布分離の制約を導入し,大域的視点から正と負のサンプルを明確に分離することを奨励する。 本研究では,本手法がベースラインを大幅に改善し,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-06-01T07:05:39Z)

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。