論文の概要: Cross-GAN Auditing: Unsupervised Identification of Attribute Level
Similarities and Differences between Pretrained Generative Models
- arxiv url: http://arxiv.org/abs/2303.10774v2
- Date: Tue, 2 May 2023 04:15:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-03 17:07:49.630453
- Title: Cross-GAN Auditing: Unsupervised Identification of Attribute Level
Similarities and Differences between Pretrained Generative Models
- Title（参考訳）: クロスGAN監査:属性レベルの類似点の教師なし同定と事前学習生成モデルの違い
- Authors: Matthew L. Olson, Shusen Liu, Rushil Anirudh, Jayaraman J.
Thiagarajan, Peer-Timo Bremer, Weng-Keen Wong
- Abstract要約: GAN(Generative Adversarial Networks)は、特に複雑な分散と限られたデータのために訓練することが難しいことで知られている。
既存のGAN監査ツールは、FIDやリコールなどの要約統計に基づいて、粗い粒度のモデルデータ比較に制限される。
我々は、確立された「参照」GANと新しく提案された「クライアント」GANを与えられたクロスGAN監査(xGA)を紹介し、GAN間で共通する、クライアントGANへの小説、クライアントGANから欠落する、知性のない属性を共同で識別する。
- 参考スコア（独自算出の注目度）: 36.6958946360609
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative Adversarial Networks (GANs) are notoriously difficult to train
especially for complex distributions and with limited data. This has driven the
need for tools to audit trained networks in human intelligible format, for
example, to identify biases or ensure fairness. Existing GAN audit tools are
restricted to coarse-grained, model-data comparisons based on summary
statistics such as FID or recall. In this paper, we propose an alternative
approach that compares a newly developed GAN against a prior baseline. To this
end, we introduce Cross-GAN Auditing (xGA) that, given an established
"reference" GAN and a newly proposed "client" GAN, jointly identifies
intelligible attributes that are either common across both GANs, novel to the
client GAN, or missing from the client GAN. This provides both users and model
developers an intuitive assessment of similarity and differences between GANs.
We introduce novel metrics to evaluate attribute-based GAN auditing approaches
and use these metrics to demonstrate quantitatively that xGA outperforms
baseline approaches. We also include qualitative results that illustrate the
common, novel and missing attributes identified by xGA from GANs trained on a
variety of image datasets.
- Abstract（参考訳）: generative adversarial networks (gans) は、特に複雑な分布や限られたデータのために訓練することが難しいことで悪名高い。
これにより、例えばバイアスの特定や公平性の確保など、トレーニング済みのネットワークを人間の認識可能な形式で監査するツールが必要になった。
既存のGAN監査ツールは、FIDやリコールのような要約統計に基づく粗い粒度のモデルデータ比較に限定されている。
本稿では,新たに開発されたGANを,従来のベースラインと比較する代替手法を提案する。
この目的のために、確立された「参照」GANと新たに提案された「クライアント」GANが与えられた場合、GAN間で共通する、クライアントGANへの新規な、あるいはクライアントGANから欠落する、知的な属性を共同で識別するクロスGAN監査(xGA)を導入する。
これにより、ユーザとモデル開発者の両方が、GAN間の類似性と差異を直感的に評価できる。
我々は,属性に基づくGAN監査手法を評価するための新しい指標を導入し,これらの指標を用いて,xGAがベースラインアプローチより優れていることを示す。
また、様々な画像データセットで訓練されたGANからxGAによって識別される共通、新規、欠落した属性を定性的に記述する。
関連論文リスト
- Cross-Inferential Networks for Source-free Unsupervised Domain
Adaptation [17.718392065388503]
クロス推論ネットワーク (CIN) と呼ばれる新しい手法を提案する。
主な考え方は、符号化された特徴からサンプルラベルを予測するためにネットワークモデルを適用する際に、これらの予測結果を用いて、派生したラベルを用いた新しいトレーニングサンプルを構築することである。
ベンチマークデータを用いた実験の結果,提案手法により,ソースフリーなUDAの性能が大幅に向上することが示された。
論文 参考訳（メタデータ） (2023-06-29T14:04:24Z) - GREAT Score: Global Robustness Evaluation of Adversarial Perturbation using Generative Models [60.48306899271866]
GREATスコア(GREAT Score)と呼ばれる新しいフレームワークを提案する。
我々は,ロバストベンチにおける攻撃ベースモデルと比較し,高い相関性を示し,GREATスコアのコストを大幅に削減した。
GREAT Scoreは、プライバシーに敏感なブラックボックスモデルのリモート監査に使用することができる。
論文 参考訳（メタデータ） (2023-04-19T14:58:27Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳（メタデータ） (2022-11-12T09:21:49Z) - on the effectiveness of generative adversarial network on anomaly
detection [1.6244541005112747]
GANは、実際のトレーニング分布を特定するために、これらのモデルのリッチなコンテキスト情報に依存している。
本稿では,自動エンコーダとGANを組み合わせた新しい教師なしモデルを提案する。
識別器の内部表現と生成器の視覚表現の線形結合と、オートエンコーダの符号化表現とを組み合わせて、提案した異常スコアを定義する。
論文 参考訳（メタデータ） (2021-12-31T16:35:47Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳（メタデータ） (2021-12-15T09:50:25Z) - A Unified View of cGANs with and without Classifiers [24.28407308818025]
Conditional Generative Adversarial Networks (cGANs) は、クラス条件分布からサンプリングできる暗黙の生成モデルである。
いくつかの代表的cGANは、分類器を使わずに最先端のパフォーマンスに到達するのを避ける。
本研究では,cGANを改善するために,分類器を適切に活用できることを実証する。
論文 参考訳（メタデータ） (2021-11-01T15:36:33Z) - cGANs with Auxiliary Discriminative Classifier [43.78253518292111]
条件付き生成モデルは、データとラベルの基本的な結合分布を学習することを目的としている。
副分類器生成敵ネットワーク (AC-GAN) は広く用いられているが, 生成標本のクラス内多様性の低い問題に悩まされている。
本稿では,AC-GANの問題に対処するため,補助識別器(ADC-GAN)を用いた新しいcGANを提案する。
論文 参考訳（メタデータ） (2021-07-21T13:06:32Z) - EC-GAN: Low-Sample Classification using Semi-Supervised Algorithms and
GANs [0.0]
ラベル付きデータによる分類などの画像解析タスクを可能にするため,半教師付き学習が注目されている。
半教師付き分類にgans(generative adrial network)を用いる一般的なアルゴリズムは、分類と識別のための単一のアーキテクチャを共有している。
これにより、各タスクごとに別々のデータ分散に収束するモデルが必要になり、全体的なパフォーマンスが低下する可能性がある。
完全教師付きタスクの分類を改善するために,GANと半教師付きアルゴリズムを用いた新しいGANモデルであるECGANを提案する。
論文 参考訳（メタデータ） (2020-12-26T05:58:00Z) - When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である
本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。
ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
論文 参考訳（メタデータ） (2020-02-24T11:35:28Z)
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。