論文の概要: EGANS: Evolutionary Generative Adversarial Network Search for Zero-Shot Learning

• arxiv url: http://arxiv.org/abs/2308.09915v1
• Date: Sat, 19 Aug 2023 05:47:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-22 19:11:00.059293
• Title: EGANS: Evolutionary Generative Adversarial Network Search for Zero-Shot Learning
• Title（参考訳）: EGANS:ゼロショット学習のための進化的生成逆ネットワーク探索
• Authors: Shiming Chen and Shihuang Chen and Wenjin Hou and Weiping Ding and Xinge You
• Abstract要約: 本稿では, 適応性と安定性に優れた生成ネットワークを自動設計するために, 進化的生成逆ネットワーク探索(EGANS)を提案する。 EGANSは進化生成器アーキテクチャサーチと進化生成器アーキテクチャサーチの2つの段階によって学習される。 実験により、EGANSは標準CUB、SUN、AWA2、FLOデータセットの既存の生成ZSLメソッドを一貫して改善していることが示された。
• 参考スコア（独自算出の注目度）: 13.275693216436494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-shot learning (ZSL) aims to recognize the novel classes which cannot be collected for training a prediction model. Accordingly, generative models (e.g., generative adversarial network (GAN)) are typically used to synthesize the visual samples conditioned by the class semantic vectors and achieve remarkable progress for ZSL. However, existing GAN-based generative ZSL methods are based on hand-crafted models, which cannot adapt to various datasets/scenarios and fails to model instability. To alleviate these challenges, we propose evolutionary generative adversarial network search (termed EGANS) to automatically design the generative network with good adaptation and stability, enabling reliable visual feature sample synthesis for advancing ZSL. Specifically, we adopt cooperative dual evolution to conduct a neural architecture search for both generator and discriminator under a unified evolutionary adversarial framework. EGANS is learned by two stages: evolution generator architecture search and evolution discriminator architecture search. During the evolution generator architecture search, we adopt a many-to-one adversarial training strategy to evolutionarily search for the optimal generator. Then the optimal generator is further applied to search for the optimal discriminator in the evolution discriminator architecture search with a similar evolution search algorithm. Once the optimal generator and discriminator are searched, we entail them into various generative ZSL baselines for ZSL classification. Extensive experiments show that EGANS consistently improve existing generative ZSL methods on the standard CUB, SUN, AWA2 and FLO datasets. The significant performance gains indicate that the evolutionary neural architecture search explores a virgin field in ZSL.
• Abstract（参考訳）: zero-shot learning (zsl) は予測モデルのトレーニングのために収集できない新しいクラスを認識することを目的としている。 したがって、生成モデル(GAN)は通常、クラス意味ベクトルによって条件付けられた視覚サンプルを合成し、ZSLの顕著な進歩を達成するために使用される。 しかし、既存のGANベースの生成ZSL法は手作りのモデルに基づいており、様々なデータセットやシナリオに適応できず、不安定をモデル化できない。 これらの課題を解決するため、我々は進化的生成逆ネットワーク探索(EGANS)を提案し、優れた適応性と安定性を持つ生成ネットワークを自動設計し、ZSLを進化させるための信頼性の高い視覚的特徴サンプル合成を可能にする。 具体的には,協調的双対進化を応用して,ジェネレータと判別器の両方に対して,統合進化の枠組みの下でのニューラルアーキテクチャ探索を行う。 egansは2つの段階から学んでいる: evolution generator architecture search と evolution discriminator architecture search である。 進化生成器アーキテクチャ探索において、最適な生成器を進化的に探索するために、多対一の学習戦略を採用する。 次に、進化判別器アーキテクチャ探索における最適判別器の探索に、類似の進化探索アルゴリズムを用いて最適生成器を更に適用する。 最適生成器と判別器が探索されると、ZSL分類のための様々な生成的ZSLベースラインにそれらを包含する。 大規模な実験により、EGANSは標準CUB、SUN、AWA2、FLOデータセットの既存の生成ZSLメソッドを一貫して改善している。 重要な性能向上は、進化的ニューラルアーキテクチャー探索がZSLの処女場を探索していることを示している。

関連論文リスト

• Evolutionary Large Language Model for Automated Feature Transformation [25.956740176321897]
  自動特徴変換のための進化的Large Language Model (LLM) フレームワークを提案する。 本フレームワークは,1)RLデータコレクタによるマルチポピュレーションデータベースの構築,2)大規模言語モデル(LLM)のシーケンス理解能力を活用した2つの部分から構成される。 提案手法の有効性と汎用性を実証的に示す。
  論文  参考訳（メタデータ） (2024-05-25T12:27:21Z)
• LLM Guided Evolution - The Automation of Models Advancing Models [0.0]
  ガイドド・エボリューション(GE)は、従来の機械学習アプローチから切り離された斬新なフレームワークである。 思想の進化(EoT)は、従来の突然変異の結果からLLMを反映して学習させることでGEを強化する。 ExquisiteNetV2モデルの進化におけるGEの適用は,その有効性を示している。
  論文  参考訳（メタデータ） (2024-03-18T03:44:55Z)
• Evolution Transformer: In-Context Evolutionary Optimization [6.873777465945062]
  本稿では、進化戦略のファミリーを柔軟に特徴付けることができる因果トランスフォーマーアーキテクチャである進化トランスフォーマーを紹介する。 進化的アルゴリズム蒸留(Evolutionary Algorithm Distillation)を用いてモデルの重み付けを訓練する。 進化変換器の動作特性を解析し,進化変換器を自己参照的に学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-03-05T14:04:13Z)
• DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary Intelligence [77.78795329701367]
  本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。 我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。 今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
  論文  参考訳（メタデータ） (2023-12-08T16:51:10Z)
• EvoPrompting: Language Models for Code-Level Neural Architecture Search [21.759268833999627]
  進化的ニューラルアーキテクチャ探索アルゴリズムにおける適応突然変異とクロスオーバー演算子としての言語モデル(LM)の利用について検討する。 EvoPromptingと呼ばれる手法であるソフトプロンプトチューニングと進化的プロンプトエンジニアリングの組み合わせは、常に多様かつ高性能なモデルを見つける。
  論文  参考訳（メタデータ） (2023-02-28T18:37:25Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)
• Fast and scalable neuroevolution deep learning architecture search for multivariate anomaly detection [0.0]
  この研究は、異常検出のための多段階神経進化アプローチの改善に焦点を当てている。 提案フレームワークは,任意の非教師なしタスクに対して,効率的な学習ネットワークアーキテクチャ手法として利用することができる。
  論文  参考訳（メタデータ） (2021-12-10T16:14:43Z)
• Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
  潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。 本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-16T11:52:08Z)
• Attribute-Modulated Generative Meta Learning for Zero-Shot Classification [52.64680991682722]
  ゼロショット学習のためのAttribute-Modulated GenerAtive Meta-modelを提案する。 本モデルは属性対応変調ネットワークと属性対応生成ネットワークから構成される。 実験により,AMAZはZSLで3.8%,ZSLで5.1%改善し,ZSL設定を一般化した。
  論文  参考訳（メタデータ） (2021-04-22T04:16:43Z)
• Epigenetic evolution of deep convolutional models [81.21462458089142]
  我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。 異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。 提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
  論文  参考訳（メタデータ） (2021-04-12T12:45:16Z)
• AdaLead: A simple and robust adaptive greedy search algorithm for sequence design [55.41644538483948]
  我々は、容易で、拡張性があり、堅牢な進化的欲求アルゴリズム(AdaLead)を開発した。 AdaLeadは、様々な生物学的に動機づけられたシーケンスデザインの課題において、アートアプローチのより複雑な状態を克服する、驚くほど強力なベンチマークである。
  論文  参考訳（メタデータ） (2020-10-05T16:40:38Z)

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。