論文の概要: The objective function equality property of infoGAN for two-layer network

• arxiv url: http://arxiv.org/abs/2310.00443v1
• Date: Sat, 30 Sep 2023 17:38:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-05 04:20:25.861211
• Title: The objective function equality property of infoGAN for two-layer network
• Title（参考訳）: 二層ネットワークにおけるinfoganの目的関数平等性
• Authors: Mahmud Hasan
• Abstract要約: infoGANは、識別器と情報機能を持つジェネレータの2つのネットワークを含むミニマックス問題である。 本研究は,インフォGANの2つの目的関数が,識別器とジェネレータのサンプルサイズが無限大に近づくと等価になることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Information Maximizing Generative Adversarial Network (infoGAN) can be understood as a minimax problem involving two networks: discriminators and generators with mutual information functions. The infoGAN incorporates various components, including latent variables, mutual information, and objective function. This research demonstrates that the two objective functions in infoGAN become equivalent as the discriminator and generator sample size approaches infinity. This equivalence is established by considering the disparity between the empirical and population versions of the objective function. The bound on this difference is determined by the Rademacher complexity of the discriminator and generator function class. Furthermore, the utilization of a two-layer network for both the discriminator and generator, featuring Lipschitz and non-decreasing activation functions, validates this equality
• Abstract（参考訳）: information maximizing generative adversarial network (infogan) は、2つのネットワーク(識別器と相互情報機能を持つ生成器)を含むミニマックス問題として理解することができる。 infoGANは、潜伏変数、相互情報、目的関数など、様々なコンポーネントを組み込んでいる。 本研究は,インフォGANの2つの目的関数が,識別器とジェネレータのサンプルサイズが無限大に近づくと等価になることを示す。 この等価性は、目的関数の経験的バージョンと人口的バージョンの違いを考慮して確立される。 この差分のバウンドは、判別器と生成関数クラスのラデマッハ複雑性によって決定される。 さらに、リプシッツと非減少活性化関数を特徴とする判別器とジェネレータの両方に二層ネットワークを利用することにより、この等価性を検証する。

関連論文リスト

• Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
  マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。 本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。 両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
  論文  参考訳（メタデータ） (2024-06-12T08:30:16Z)
• Going Beyond Neural Network Feature Similarity: The Network Feature Complexity and Its Interpretation Using Category Theory [64.06519549649495]
  機能的に等価な機能と呼ぶものの定義を提供します。 これらの特徴は特定の変換の下で等価な出力を生成する。 反復的特徴マージ(Iterative Feature Merging)というアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-10T16:27:12Z)
• Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
  マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。 本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。 本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
  論文  参考訳（メタデータ） (2022-10-27T16:06:47Z)
• Generative Adversarial Neural Operators [59.21759531471597]
  本稿では,無限次元関数空間上の確率学習のための生成モデルであるGANOを提案する。 GANOは、ジェネレータニューラル演算子と識別器ニューラル関数の2つの主要成分から構成される。 入力関数と出力関数が共に GRF からのサンプルである場合のGANO を実験的に検討し、その性能を有限次元の GAN と比較する。
  論文  参考訳（メタデータ） (2022-05-06T05:12:22Z)
• Multi-Fake Evolutionary Generative Adversarial Networks for Imbalance Hyperspectral Image Classification [7.9067022260826265]
  本稿では,不均衡なハイパースペクトル画像分類を扱うために,新しいマルチフェイク進化生成逆数ネットワークを提案する。 ジェネレータネットワークの分類性能を向上させるため、ジェネレータネットワークでは異なる生成目標損失が考慮される。 提案手法の有効性を2つの超スペクトル空間スペクトルデータセットを用いて検証した。
  論文  参考訳（メタデータ） (2021-11-07T07:29:24Z)
• InfoVAEGAN : learning joint interpretable representations by information maximization and maximum likelihood [15.350366047108103]
  本稿では,変分オートエンコーダ(VAE)の推論能力とGAN(Generative Adversarial Networks)の機能を組み合わせた表現学習アルゴリズムを提案する。 提案したモデルはInfoVAEGANと呼ばれ、ジェネレータとディスクリミネータの3つのネットワークで構成されている。
  論文  参考訳（メタデータ） (2021-07-09T22:38:10Z)
• Multi-task Supervised Learning via Cross-learning [102.64082402388192]
  我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。 我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。 これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
  論文  参考訳（メタデータ） (2020-10-24T21:35:57Z)
• Discriminative feature generation for classification of imbalanced data [6.458496335718508]
  マイノリティクラスデータセットを対象とした新しい分類特徴生成法(DFG)を提案する。 DFGは、4つの独立したネットワークからなる生成的敵ネットワークの修正された構造に基づいている。 実験結果から,DFGジェネレータはラベル保存および多彩な特徴の増大を促進することが示された。
  論文  参考訳（メタデータ） (2020-10-24T12:19:05Z)
• The Projected Belief Network Classfier : both Generative and Discriminative [13.554038901140949]
  射影信頼ネットワーク (PBN) は、抽出可能な可能性関数を持つ層状生成ネットワークである。 本稿では,完全識別性と完全生成性を有する畳み込み型PBNを構築した。
  論文  参考訳（メタデータ） (2020-08-14T16:00:54Z)
• 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)

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。