論文の概要: CKGAN: Training Generative Adversarial Networks Using Characteristic Kernel Integral Probability Metrics

• arxiv url: http://arxiv.org/abs/2504.05945v1
• Date: Tue, 08 Apr 2025 11:58:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-09 13:31:53.714219
• Title: CKGAN: Training Generative Adversarial Networks Using Characteristic Kernel Integral Probability Metrics
• Title（参考訳）: CKGAN:特徴カーネル積分確率メトリックを用いた生成逆ネットワークの訓練
• Authors: Kuntian Zhang, Simin Yu, Yaoshu Wang, Makoto Onizuka, Chuan Xiao,
• Abstract要約: 特徴カーネル(CKIPM)を用いた積分確率メトリクスフレームワークに基づくGAN(generative adversarial Network)の新たな変種を提案する。 CKGANは、生成された画像をランダムノイズにマッピングすることで、モード崩壊という悪名高い問題を緩和する。 合成画像と実画像のベンチマーク(MNIST、CelebAなど)で行った実験の結果、CKGANは一般的に他のMDDベースのGANよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 9.637975962527511
• License:
• Abstract: In this paper, we propose CKGAN, a novel generative adversarial network (GAN) variant based on an integral probability metrics framework with characteristic kernel (CKIPM). CKIPM, as a distance between two probability distributions, is designed to optimize the lowerbound of the maximum mean discrepancy (MMD) in a reproducing kernel Hilbert space, and thus can be used to train GANs. CKGAN mitigates the notorious problem of mode collapse by mapping the generated images back to random noise. To save the effort of selecting the kernel function manually, we propose a soft selection method to automatically learn a characteristic kernel function. The experimental evaluation conducted on a set of synthetic and real image benchmarks (MNIST, CelebA, etc.) demonstrates that CKGAN generally outperforms other MMD-based GANs. The results also show that at the cost of moderately more training time, the automatically selected kernel function delivers very close performance to the best of manually fine-tuned one on real image benchmarks and is able to improve the performances of other MMD-based GANs.
• Abstract（参考訳）: 本稿では,特徴カーネル (CKIPM) を持つ積分確率メトリクスフレームワークをベースとした新しいGAN(Generative Adversarial Network) 変種であるCKGANを提案する。 CKIPMは、2つの確率分布の間の距離として、再生されたカーネルヒルベルト空間における最大平均誤差(MMD)の低いバウンドを最適化するために設計されており、したがって GAN の訓練に使用できる。 CKGANは、生成された画像をランダムノイズにマッピングすることで、モード崩壊という悪名高い問題を緩和する。 そこで本研究では,カーネル関数を手動で選択する作業を省くために,特徴カーネル関数を自動的に学習するソフトセレクション手法を提案する。 合成画像と実画像のベンチマーク(MNIST、CelebAなど)で行った実験の結果、CKGANは一般的に他のMDDベースのGANよりも優れていることが示された。 また,トレーニング時間を適度に向上させるため,自動選択されたカーネル関数は,実画像ベンチマークにおいて手作業で微調整されたカーネル関数に非常に近い性能を実現し,他のMDDベースのGANの性能を向上させることができることを示した。

関連論文リスト

• Interpretable Recognition of Fused Magnesium Furnace Working Conditions with Deep Convolutional Stochastic Configuration Networks [0.18641315013048293]
  本稿では、深層畳み込み構成ネットワーク(DCSCN)に基づく解釈可能な作業条件認識手法を提案する。 物理的に意味のある差動畳み込みカーネルを生成するために、教師付き学習機構が使用される。 認識精度、解釈可能な信頼性評価指標、モデルパラメータ量に基づいて共同報酬関数を構築する。
  論文  参考訳（メタデータ） (2025-01-06T03:17:41Z)
• Optimal Kernel Choice for Score Function-based Causal Discovery [92.65034439889872]
  本稿では,データに最も適合する最適なカーネルを自動的に選択する,一般化スコア関数内のカーネル選択手法を提案する。 合成データと実世界のベンチマークの両方で実験を行い,提案手法がカーネル選択法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-14T09:32:20Z)
• Local Sample-weighted Multiple Kernel Clustering with Consensus Discriminative Graph [73.68184322526338]
  マルチカーネルクラスタリング(MKC)は、ベースカーネルの集合から最適な情報融合を実現するためにコミットされる。 本稿では,新しい局所サンプル重み付きマルチカーネルクラスタリングモデルを提案する。 実験により, LSWMKCはより優れた局所多様体表現を有し, 既存のカーネルやグラフベースのクラスタリングアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2022-07-05T05:00:38Z)
• Learning with convolution and pooling operations in kernel methods [8.528384027684192]
  近年の実証研究により、階層的畳み込みカーネルは、画像分類タスクにおけるカーネルメソッドの性能を向上させることが示されている。 畳み込みアーキテクチャにおける近似と一般化の正確な相互作用について検討する。 この結果から,対象関数に適応したアーキテクチャの選択が,サンプルの複雑性を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2021-11-16T09:00:44Z)
• Hybrid Random Features [60.116392415715275]
  ハイブリッドランダム特徴(HRF)と呼ばれるソフトマックスとガウス核の線形化のための新しいランダム特徴法を提案する。 HRFは、カーネル推定の品質を自動的に適応し、定義された関心領域の最も正確な近似を提供する。
  論文  参考訳（メタデータ） (2021-10-08T20:22:59Z)
• Continual Learning with Fully Probabilistic Models [70.3497683558609]
  機械学習の完全確率的(または生成的)モデルに基づく継続的学習のアプローチを提案する。 生成器と分類器の両方に対してガウス混合モデル(GMM)インスタンスを用いた擬似リハーサル手法を提案する。 我々は,GMRが,クラス増分学習問題に対して,非常に競合的な時間とメモリの複雑さで,最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2021-04-19T12:26:26Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• Flow-based Kernel Prior with Application to Blind Super-Resolution [143.21527713002354]
  カーネル推定は一般にブラインド画像超解像(SR)の鍵となる問題の一つである 本稿では,カーネルモデリングのための正規化フローベースカーネルプリレント(fkp)を提案する。 合成および実世界の画像の実験により、提案したFKPがカーネル推定精度を大幅に向上することを示した。
  論文  参考訳（メタデータ） (2021-03-29T22:37:06Z)
• Gaussian Process Latent Class Choice Models [7.992550355579791]
  離散選択モデル(DCM)における確率的機械学習の非パラメトリッククラスを提案する。 提案モデルでは,GPを用いた行動同質クラスタ(ラテントクラス)に確率的に個人を割り当てる。 モデルは2つの異なるモード選択アプリケーションでテストされ、異なるLCCMベンチマークと比較される。
  論文  参考訳（メタデータ） (2021-01-28T19:56:42Z)
• Learning Kernel for Conditional Moment-Matching Discrepancy-based Image Classification [26.09932710494144]
  条件付き最大平均離散性(CMMD)の識別性能向上のための新しいカーネル学習法を提案する。 ディープネットワークの特徴を反復的に操作することができ、略してKLNと表記される。 特に、カーネルベースの類似性はディープネットワーク機能について反復的に学習されており、アルゴリズムをエンドツーエンドで実装することができる。
  論文  参考訳（メタデータ） (2020-08-24T02:35:50Z)

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。