論文の概要: Generative adversarial networks for data-scarce spectral applications
- arxiv url: http://arxiv.org/abs/2307.07454v1
- Date: Fri, 14 Jul 2023 16:27:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-17 13:13:45.006433
- Title: Generative adversarial networks for data-scarce spectral applications
- Title(参考訳): データスカーススペクトル応用のための生成逆ネットワーク
- Authors: Juan Jos\'e Garc\'ia-Esteban, Juan Carlos Cuevas, Jorge Bravo-Abad
- Abstract要約: 合成スペクトルデータ生成分野におけるGANの応用について報告する。
CWGANは,低データ方式の性能向上を図り,サロゲートモデルとして機能することを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative adversarial networks (GANs) are one of the most robust and
versatile techniques in the field of generative artificial intelligence. In
this work, we report on an application of GANs in the domain of synthetic
spectral data generation, offering a solution to the scarcity of data found in
various scientific contexts. We demonstrate the proposed approach by applying
it to an illustrative problem within the realm of near-field radiative heat
transfer involving a multilayered hyperbolic metamaterial. We find that a
successful generation of spectral data requires two modifications to
conventional GANs: (i) the introduction of Wasserstein GANs (WGANs) to avoid
mode collapse, and, (ii) the conditioning of WGANs to obtain accurate labels
for the generated data. We show that a simple feed-forward neural network
(FFNN), when augmented with data generated by a CWGAN, enhances significantly
its performance under conditions of limited data availability, demonstrating
the intrinsic value of CWGAN data augmentation beyond simply providing larger
datasets. In addition, we show that CWGANs can act as a surrogate model with
improved performance in the low-data regime with respect to simple FFNNs.
Overall, this work highlights the potential of generative machine learning
algorithms in scientific applications beyond image generation and optimization.
- Abstract(参考訳): generative adversarial networks (gans)は、生成型人工知能の分野で最も堅牢で多用途な技術の一つである。
本稿では,合成スペクトルデータ生成分野におけるGANの応用について報告する。
提案手法は, 多層ハイパーボリックメタマテリアルを含む近接場放射熱伝達領域における実証的な問題に適用することで実証する。
スペクトルデータの生成には,従来のGANの2つの修正が必要である。
(i)モード崩壊を回避するためのwasserstein gans(wgans)の導入、
(ii)生成されたデータの正確なラベルを取得するためのwganの条件付け。
本研究では,単純なフィードフォワードニューラルネットワーク(ffnn)をcwganが生成するデータで拡張することで,データ可用性が制限された条件下での性能が大幅に向上することを示す。
さらに,CWGANは,単純なFFNNに対して,低データ方式の性能向上を図り,サロゲートモデルとして機能することを示す。
全体として、この研究は画像生成と最適化を超えて科学的応用における生成的機械学習アルゴリズムの可能性を強調している。
関連論文リスト
- cDVGAN: One Flexible Model for Multi-class Gravitational Wave Signal and Glitch Generation [0.7853804618032806]
本稿では,複数の時間領域観測のクラスをシミュレートする手法として,ジェネレーティブ・アドリアック・ネットワーク・フレームワークに新しい条件モデルを提案する。
提案したcDVGANは,3つのクラスの特徴を再現する4種類のベースラインGANモデルより優れている。
実験の結果,cDVGAN生成データによる畳み込みニューラルネットワークのトレーニングにより,検出器ノイズに埋め込まれたサンプルの検出が向上することがわかった。
論文 参考訳(メタデータ) (2024-01-29T17:59:26Z) - LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral
Image Generation with Variance Regularization [72.4394510913927]
ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。
GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。
この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。
本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
論文 参考訳(メタデータ) (2023-04-29T00:25:02Z) - Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited
Data [125.7135706352493]
GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。
近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。
本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
論文 参考訳(メタデータ) (2021-11-12T18:13:45Z) - Improving Model Compatibility of Generative Adversarial Networks by
Boundary Calibration [24.28407308818025]
境界キャリブレーションGAN(BCGAN)は、GANのモデル互換性を改善するために提案される。
BCGANはオリジナルのGANのようなリアルなイメージを生成するが、オリジナルのGANよりも優れたモデル互換性を実現する。
論文 参考訳(メタデータ) (2021-11-03T16:08:09Z) - MineGAN++: Mining Generative Models for Efficient Knowledge Transfer to
Limited Data Domains [77.46963293257912]
本稿では,特定の対象領域に最も有益である知識をマイニングした生成モデルのための新しい知識伝達手法を提案する。
これは、各事前訓練されたGANの生成分布のどの部分が対象領域に最も近いサンプルを出力しているかを識別するマイカネットワークを用いて行われる。
提案手法はMineGANと呼ばれ,ターゲット画像が少ない領域に効果的に知識を伝達し,既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-28T13:10:56Z) - Improving Generative Adversarial Networks with Local Coordinate Coding [150.24880482480455]
GAN(Generative Adversarial Network)は、事前定義された事前分布から現実的なデータを生成することに成功している。
実際には、意味情報はデータから学んだ潜在的な分布によって表現される。
ローカル座標符号化(LCC)を用いたLCCGANモデルを提案する。
論文 参考訳(メタデータ) (2020-07-28T09:17:50Z) - Partially Conditioned Generative Adversarial Networks [75.08725392017698]
Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。
条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。
本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
論文 参考訳(メタデータ) (2020-07-06T15:59:28Z) - Generative Adversarial Networks (GANs): An Overview of Theoretical
Model, Evaluation Metrics, and Recent Developments [9.023847175654602]
GAN(Generative Adversarial Network)は,大規模データ分散のサンプルを作成する上で有効な手法である。
GANはラベル付きトレーニングデータを広く使用せずにディープ表現を学習する適切な方法を提供する。
GANでは、ジェネレータと識別器のネットワークを同時にトレーニングする競合プロセスを通じて生成モデルを推定する。
論文 参考訳(メタデータ) (2020-05-27T05:56:53Z) - Turbulence Enrichment using Physics-informed Generative Adversarial
Networks [0.0]
我々は乱流生成法を開発した。
損失関数の修正による物理インフォームド・ラーニング・アプローチを取り入れた。
物理インフォームドラーニングを用いることで、物理支配方程式を満たすデータを生成する際のモデルの能力が大幅に向上することを示す。
論文 参考訳(メタデータ) (2020-03-04T06:14:11Z) - On Leveraging Pretrained GANs for Generation with Limited Data [83.32972353800633]
生成的敵ネットワーク(GAN)は、しばしば(人間によって)実際の画像と区別できない非常に現実的な画像を生成することができる。
このように生成されたほとんどの画像はトレーニングデータセットには含まれておらず、GAN生成データでトレーニングセットを増強する可能性を示唆している。
我々は、大規模なデータセットで事前訓練された既存のGANモデルを活用し、トランスファーラーニングの概念に従って追加の知識を導入する。
限られたデータを用いた生成における提案手法の有効性を示すため, 広範囲な実験を行った。
論文 参考訳(メタデータ) (2020-02-26T21:53:36Z)
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。