Fugu-MT 論文翻訳(概要): Distribution Estimation of Contaminated Data via DNN-based MoM-GANs

論文の概要: Distribution Estimation of Contaminated Data via DNN-based MoM-GANs

arxiv url: http://arxiv.org/abs/2212.13741v1
Date: Wed, 28 Dec 2022 08:29:00 GMT
ステータス: 処理完了
システム内更新日: 2022-12-29 15:01:06.182737
Title: Distribution Estimation of Contaminated Data via DNN-based MoM-GANs
Title（参考訳）: DNNに基づくMoM-GANによる汚染データの分布推定
Authors: Fang Xie, Lihu Xu, Qiuran Yao, Huiming Zhang
Abstract要約: The MoM-GAN method combines generative adversarial net (GAN) and central-of-mean (MoM) Estimation。我々は、ReLUアクティベーション機能を備えたディープニューラルネットワーク(DNN)を用いて、GANのジェネレータと識別器をモデル化する。その結果,汚染データを扱う場合,MoM-GANは他の競合手法よりも優れていた。
参考スコア（独自算出の注目度）: 2.9535432638533994
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper studies the distribution estimation of contaminated data by the MoM-GAN method, which combines generative adversarial net (GAN) and median-of-mean (MoM) estimation. We use a deep neural network (DNN) with a ReLU activation function to model the generator and discriminator of the GAN. Theoretically, we derive a non-asymptotic error bound for the DNN-based MoM-GAN estimator measured by integral probability metrics with the $b$-smoothness H\"{o}lder class. The error bound decreases essentially as $n^{-b/p}\vee n^{-1/2}$, where $n$ and $p$ are the sample size and the dimension of input data. We give an algorithm for the MoM-GAN method and implement it through two real applications. The numerical results show that the MoM-GAN outperforms other competitive methods when dealing with contaminated data.
Abstract（参考訳）: 本稿では, GAN (Generative Adversarial Net) とMoM (Central-of-mean) を組み合わせたMoM-GAN法による汚染データの分布推定について検討する。我々は、ReLUアクティベーション機能を備えたディープニューラルネットワーク(DNN)を用いて、GANのジェネレータと識別器をモデル化する。理論的には、DNNベースのMoM-GAN推定器に対して、$b$-smoothness H\"{o}lderクラスで測定された非漸近誤差を導出する。誤差境界は基本的に$n^{-b/p}\vee n^{-1/2}$として減少し、$n$と$p$は入力データのサンプルサイズと寸法である。我々は,MoM-GAN法のアルゴリズムを2つの実アプリケーションで実装する。その結果,汚染データを扱う場合,MoM-GANは他の競合手法よりも優れていた。

関連論文リスト

A Sharp Convergence Theory for The Probability Flow ODEs of Diffusion Models [45.60426164657739]
拡散型サンプリング器の非漸近収束理論を開発する。我々は、$d/varepsilon$がターゲット分布を$varepsilon$トータル偏差距離に近似するのに十分であることを証明した。我々の結果は、$ell$のスコア推定誤差がデータ生成プロセスの品質にどのように影響するかも特徴付ける。
論文参考訳（メタデータ） (2024-08-05T09:02:24Z)
Concentration Inequalities for $(f,Γ)$-GANs [5.022028859839544]
GAN(Generative Adversarial Network)は、ジェネレータ分布を訓練する教師なし学習手法である。最近の研究は、積分確率測度(IPM)に基づくGANの統計的整合性(例えば、1-ワッサーシュタイン測度に基づくWGAN)を証明している。非線形目的関数の使用を可能にする GAN のより大きなクラスは、$(f,Gamma)$-divergences を用いて構築することができる。
論文参考訳（メタデータ） (2024-06-24T17:42:03Z)
Classification of Data Generated by Gaussian Mixture Models Using Deep ReLU Networks [28.437011792990347]
本稿では,ガウス混合ネットワーク下で発生した$math RMsのデータ二項分類について検討する。コンバージェンスレートが初めて$d2013xのニューラル解析レートを得る。結果は、実用的な分類問題におけるディープニューラルネットワークの理論的検証を提供する。
論文参考訳（メタデータ） (2023-08-15T20:40:42Z)
Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文参考訳（メタデータ） (2023-06-15T16:30:08Z)
High-Dimensional Smoothed Entropy Estimation via Dimensionality Reduction [14.53979700025531]
微分エントロピー$h(X+Z)$を独立に$n$で推定し、同じ分散サンプルを$X$とする。絶対誤差損失では、上記の問題はパラメータ推定率$fraccDsqrtn$である。我々は、エントロピー推定の前に主成分分析(PCA)を通して低次元空間に$X$を投影することで、この指数的なサンプル複雑性を克服する。
論文参考訳（メタデータ） (2023-05-08T13:51:48Z)
Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
論文参考訳（メタデータ） (2023-02-14T17:02:35Z)
Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
論文参考訳（メタデータ） (2022-08-25T12:33:31Z)
OMASGAN: Out-of-Distribution Minimum Anomaly Score GAN for Sample Generation on the Boundary [0.0]
生成モデルは, アウト・オブ・ディストリビューション(OoD)サンプルに高い可能性と低い再構成損失を設定した。 OMASGANは、負のデータ増大方法で、推定分布境界上の異常サンプルを生成する。 OMASGANは、分布境界上に発生する異常最小値のOoDサンプルを含むことにより、再訓練を行う。
論文参考訳（メタデータ） (2021-10-28T16:35:30Z)
A Rigorous Link Between Self-Organizing Maps and Gaussian Mixture Models [78.6363825307044]
本研究は、自己組織化マップ(SOM)とガウス混合モデル(GMM)の関係を数学的に扱うものである。我々は,エネルギーベースSOMモデルを勾配勾配下降と解釈できることを示した。このリンクはSOMsを生成確率モデルとして扱うことができ、SOMsを使用して外れ値を検出したりサンプリングしたりするための正式な正当性を与える。
論文参考訳（メタデータ） (2020-09-24T14:09:04Z)
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)
Your GAN is Secretly an Energy-based Model and You Should use Discriminator Driven Latent Sampling [106.68533003806276]
本研究では,潜時空間におけるサンプリングは,潜時空間の前対数密度と判別器出力スコアの和によって誘導されるエネルギーベースモデルに従って,潜時空間におけるサンプリングを行うことによって達成できることを示す。判別器駆動潜時サンプリング(DDLS)は,高次元画素空間で動作する従来の手法と比較して,高効率であることを示す。
論文参考訳（メタデータ） (2020-03-12T23:33:50Z)

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。