論文の概要: Dynamically Masked Discriminator for Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2306.07716v2
• Date: Tue, 7 Nov 2023 10:35:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-08 19:33:34.972571
• Title: Dynamically Masked Discriminator for Generative Adversarial Networks
• Title（参考訳）: 生成逆数ネットワークのための動的マスク判別器
• Authors: Wentian Zhang, Haozhe Liu, Bing Li, Jinheng Xie, Yawen Huang, Yuexiang Li, Yefeng Zheng, Bernard Ghanem
• Abstract要約: GAN(Generative Adversarial Networks)のトレーニングは依然として難しい問題である。 識別器は、実際の/生成されたデータの分布を学習してジェネレータを訓練する。 本稿では,オンライン連続学習の観点から,GANの新たな手法を提案する。
• 参考スコア（独自算出の注目度）: 71.33631511762782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Training Generative Adversarial Networks (GANs) remains a challenging problem. The discriminator trains the generator by learning the distribution of real/generated data. However, the distribution of generated data changes throughout the training process, which is difficult for the discriminator to learn. In this paper, we propose a novel method for GANs from the viewpoint of online continual learning. We observe that the discriminator model, trained on historically generated data, often slows down its adaptation to the changes in the new arrival generated data, which accordingly decreases the quality of generated results. By treating the generated data in training as a stream, we propose to detect whether the discriminator slows down the learning of new knowledge in generated data. Therefore, we can explicitly enforce the discriminator to learn new knowledge fast. Particularly, we propose a new discriminator, which automatically detects its retardation and then dynamically masks its features, such that the discriminator can adaptively learn the temporally-vary distribution of generated data. Experimental results show our method outperforms the state-of-the-art approaches.
• Abstract（参考訳）: GAN(Generative Adversarial Networks)のトレーニングは依然として難しい問題である。 判別器は、実データ分布を学習して生成器を訓練する。 しかし、生成したデータの分布はトレーニングプロセスを通して変化するため、判別者が学ぶことは困難である。 本稿では,オンライン連続学習の観点から,GANの新たな手法を提案する。 歴史的に生成されたデータに基づいて訓練された判別器モデルは、新しい到着したデータの変化への適応を遅くすることが多いため、結果の品質が低下する。 学習中に生成されたデータをストリームとして扱うことにより,識別者が生成したデータにおける新たな知識の学習を遅くするかどうかを検出する。 したがって、識別者が新しい知識を素早く学ぶように明示的に強制することができる。 特に,その遅延を自動的に検出し,その特徴を動的にマスキングする新たな識別器を提案する。 実験の結果,本手法は最先端手法よりも優れていた。

関連論文リスト

• Prompt Optimization via Adversarial In-Context Learning [51.18075178593142]
  adv-ICLは、ジェネレータとディスクリミネータの間の2プレイヤーゲームとして実装される。 ジェネレータは、判別器を騙すのに十分な出力を生成する。 本稿では,Adv-ICLが最先端のプロンプト最適化技術を大幅に改善することを示す。
  論文  参考訳（メタデータ） (2023-12-05T09:44:45Z)
• Generative Adversarial Networks Unlearning [13.342749941357152]
  機械学習は、訓練された機械学習モデルからトレーニングデータを消去するソリューションとして登場した。 GAN(Generative Adversarial Networks)の研究は、ジェネレータと識別器を含む独自のアーキテクチャによって制限されている。 本稿では,GANモデルにおける項目学習とクラス学習の両方を対象としたケースドアンラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-08-19T02:21:21Z)
• Improving GANs with A Dynamic Discriminator [106.54552336711997]
  我々は、オンザフライで調整可能な判別器は、そのような時間変化に適応できると論じる。 総合的な実証研究により、提案したトレーニング戦略がDynamicDと呼ばれ、追加のコストやトレーニング目標を発生させることなく、合成性能を向上させることが確認された。
  論文  参考訳（メタデータ） (2022-09-20T17:57:33Z)
• Augmentation-Aware Self-Supervision for Data-Efficient GAN Training [68.81471633374393]
  識別器が過度に適合する傾向があるため、限られたデータでGANを訓練することは困難である。 本稿では,拡張データの拡張パラメータを予測する,拡張型自己教師型識別器を提案する。 本稿では,クラス条件の BigGAN と非条件の StyleGAN2 アーキテクチャを用いた State-of-the-art (SOTA) 手法と比較する。
  論文  参考訳（メタデータ） (2022-05-31T10:35:55Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Discriminative-Generative Representation Learning for One-Class Anomaly Detection [22.500931323372303]
  生成法と識別法を組み合わせた自己教師型学習フレームワークを提案する。 提案手法は,複数のベンチマークデータセットにおいて,最先端の処理性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-07-27T11:46:15Z)
• Data-Efficient Instance Generation from Instance Discrimination [40.71055888512495]
  本稿では,インスタンス識別に基づくデータ効率の高いインスタンス生成手法を提案する。 本研究では,インスタンス識別に基づくデータ効率の高いインスタンス生成(InsGen)手法を提案する。
  論文  参考訳（メタデータ） (2021-06-08T17:52:59Z)
• FairCVtest Demo: Understanding Bias in Multimodal Learning with a Testbed in Fair Automatic Recruitment [79.23531577235887]
  このデモは、非構造化データから機密情報を抽出する採用ツールの背後にある人工知能(AI)の能力を示しています。 また、このデモには差別認識学習のための新しいアルゴリズムが含まれており、マルチモーダルAIフレームワークの機密情報を排除している。
  論文  参考訳（メタデータ） (2020-09-12T17:45:09Z)
• Learn distributed GAN with Temporary Discriminators [16.33621293935067]
  逐次的一時判別器を用いた分散GANの訓練手法を提案する。 損失関数の設計は、確実に証明可能な保証で正しい分布を学習することを示す。
  論文  参考訳（メタデータ） (2020-07-17T20:45:57Z)
• 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。