論文の概要: BI-DCGAN: A Theoretically Grounded Bayesian Framework for Efficient and Diverse GANs

• arxiv url: http://arxiv.org/abs/2510.26892v1
• Date: Thu, 30 Oct 2025 18:00:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-03 17:52:15.880995
• Title: BI-DCGAN: A Theoretically Grounded Bayesian Framework for Efficient and Diverse GANs
• Title（参考訳）: BI-DCGAN: 効率的および多元的GANのための理論的基盤ベイズ的枠組み
• Authors: Mahsa Valizadeh, Rui Tuo, James Caverlee,
• Abstract要約: 我々は、モデル不確実性を生成過程に組み込む、DCGANのベイズ拡張であるBI-DCGANを紹介する。 BI-DCGAN は Bayes と Backprop を統合してネットワーク重みの分布を学習し、平均場変動推定を用いて後方分布を効率的に近似する。 BI-DCGANが従来のDCGANよりも多種多様で頑健な出力を生成することを示す。
• 参考スコア（独自算出の注目度）: 16.38009015772168
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative Adversarial Networks (GANs) are proficient at generating synthetic data but continue to suffer from mode collapse, where the generator produces a narrow range of outputs that fool the discriminator but fail to capture the full data distribution. This limitation is particularly problematic, as generative models are increasingly deployed in real-world applications that demand both diversity and uncertainty awareness. In response, we introduce BI-DCGAN, a Bayesian extension of DCGAN that incorporates model uncertainty into the generative process while maintaining computational efficiency. BI-DCGAN integrates Bayes by Backprop to learn a distribution over network weights and employs mean-field variational inference to efficiently approximate the posterior distribution during GAN training. We establishes the first theoretical proof, based on covariance matrix analysis, that Bayesian modeling enhances sample diversity in GANs. We validate this theoretical result through extensive experiments on standard generative benchmarks, demonstrating that BI-DCGAN produces more diverse and robust outputs than conventional DCGANs, while maintaining training efficiency. These findings position BI-DCGAN as a scalable and timely solution for applications where both diversity and uncertainty are critical, and where modern alternatives like diffusion models remain too resource-intensive.
• Abstract（参考訳）: GAN(Generative Adversarial Networks)は、合成データの生成に長けているが、モード崩壊に悩まされ続けている。 生成モデルは、多様性と不確実性の両方の認識を要求する現実世界のアプリケーションにますますデプロイされているため、この制限は特に問題となる。 そこで本研究では,DCGAN のベイズ拡張である BI-DCGAN を導入し,モデルの不確かさを生成過程に組み込むとともに,計算効率の維持を図る。 BI-DCGAN は Bayes と Backprop を統合してネットワーク重みの分布を学習し,GAN トレーニング中の後方分布を効率的に近似するために平均場変動推定を用いる。 我々は、共分散行列解析に基づく最初の理論的証明を確立し、ベイジアンモデリングは GAN におけるサンプルの多様性を高める。 我々は, BI-DCGANが従来のDCGANよりも多種多様で頑健な出力を産出し, トレーニング効率を保ちながら, この理論結果を検証した。 これらの知見は、BI-DCGANを多様性と不確実性の両方が重要であり、拡散モデルのような現代の代替品が資源集約的すぎるアプリケーションのためのスケーラブルでタイムリーなソリューションとして位置づけている。

関連論文リスト

• Fine-Grained Bias Exploration and Mitigation for Group-Robust Classification [11.525201208566925]
  オーバーフィッティング(BEO)によるバイアス探索(Bias Exploration)は、潜伏群の混合としてモデル化することで、各分布をより詳細に捉えている。 FG-CCDBと呼ばれるCCDBのきめ細かい変形を導入し、各グループ内でより正確な分布マッチングとバランスを行う。 本手法は, 2進分類タスクにおけるバイアス管理手法と同等に動作し, 偏りの高いマルチクラスシナリオにおいて, それらの性能を著しく向上させる。
  論文  参考訳（メタデータ） (2025-05-11T04:01:34Z)
• Discrete Diffusion Modeling by Estimating the Ratios of the Data Distribution [67.9215891673174]
  離散空間に対するスコアマッチングを自然に拡張する新たな損失として,スコアエントロピーを提案する。 標準言語モデリングタスク上で,Score Entropy Discrete Diffusionモデルをテストする。
  論文  参考訳（メタデータ） (2023-10-25T17:59:12Z)
• Boosted Control Functions: Distribution generalization and invariance in confounded models [10.503777692702952]
  非線形で非同定可能な構造関数が存在する場合でも分布の一般化を可能にする不変性という強い概念を導入する。 フレキシブルな機械学習手法を用いて,ブースト制御関数(BCF)を推定する制御Twicingアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-09T15:43:46Z)
• Investigating Shifts in GAN Output-Distributions [5.076419064097734]
  本稿では,実学習データとGAN生成データの分布の可観測的変化を系統的に調査するためのループ学習手法を提案する。 全体として、これらの手法を組み合わせることで、現在のGANアルゴリズムの自然的制限を爆発的に調査することができる。
  論文  参考訳（メタデータ） (2021-12-28T09:16:55Z)
• 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)
• GANs with Variational Entropy Regularizers: Applications in Mitigating the Mode-Collapse Issue [95.23775347605923]
  深層学習の成功に基づいて、GAN(Generative Adversarial Networks)は、観測されたサンプルから確率分布を学習するための現代的なアプローチを提供する。 GANはしばしば、ジェネレータが入力分布の既存のすべてのモードをキャプチャできないモード崩壊問題に悩まされる。 情報理論のアプローチを採り、生成したサンプルのエントロピーの変動的下限を最大化し、それらの多様性を増大させる。
  論文  参考訳（メタデータ） (2020-09-24T19:34:37Z)
• Flow Field Reconstructions with GANs based on Radial Basis Functions [19.261773760183196]
  2つの放射状基底関数に基づくGAN(RBF-GANとRBFC-GAN)が回帰と生成のために提案されている。 平均二乗誤差 (MSE) と平均二乗誤差 (MSPE) の両方を用いて, RBF-GAN と RBFC-GAN の性能は GANs/cGAN よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-11T11:45:57Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)
• GANs with Conditional Independence Graphs: On Subadditivity of Probability Divergences [70.30467057209405]
  GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。 GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。 本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
  論文  参考訳（メタデータ） (2020-03-02T04:31:22Z)
• Brainstorming Generative Adversarial Networks (BGANs): Towards Multi-Agent Generative Models with Distributed Private Datasets [70.62568022925971]
  生成的敵ネットワーク(GAN)は、データ空間を適切に表現する大規模なデータセットによって供給されなければならない。 多くのシナリオでは、利用可能なデータセットは制限され、複数のエージェントに分散する可能性がある。 本稿では,BGAN(Breepstorming GAN)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-02T02:58:32Z)

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。