論文の概要: Epistemic Generative Adversarial Networks

• arxiv url: http://arxiv.org/abs/2603.18348v1
• Date: Wed, 18 Mar 2026 23:15:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:05.879104
• Title: Epistemic Generative Adversarial Networks
• Title（参考訳）: エピステマティック・ジェネレーティブ・アドバイサル・ネットワーク
• Authors: Muhammad Mubashar, Fabio Cuzzolin,
• Abstract要約: 証拠のデンプスター・シェーファー理論に基づく新しいGAN損失関数の一般化を導入する。 また,各画像画素の質量関数を予測可能なジェネレータのアーキテクチャ拡張も提案する。
• 参考スコア（独自算出の注目度）: 7.362856717690242
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models, particularly Generative Adversarial Networks (GANs), often suffer from a lack of output diversity, frequently generating similar samples rather than a wide range of variations. This paper introduces a novel generalization of the GAN loss function based on Dempster-Shafer theory of evidence, applied to both the generator and discriminator. Additionally, we propose an architectural enhancement to the generator that enables it to predict a mass function for each image pixel. This modification allows the model to quantify uncertainty in its outputs and leverage this uncertainty to produce more diverse and representative generations. Experimental evidence shows that our approach not only improves generation variability but also provides a principled framework for modeling and interpreting uncertainty in generative processes.
• Abstract（参考訳）: 生成モデル、特にGAN(Generative Adversarial Networks)は出力の多様性の欠如に悩まされ、様々なバリエーションではなく、しばしば同様のサンプルを生成する。 本稿では,ジェネレータと識別器の両方に適用したDempster-Shafer理論に基づく新しいGAN損失関数の一般化を提案する。 さらに,各画像画素の質量関数を予測可能なジェネレータのアーキテクチャ拡張を提案する。 この修正により、モデルは出力の不確実性を定量化し、この不確実性を利用してより多様性があり代表的な世代を生成することができる。 実験結果から,本手法は世代変動性の向上だけでなく,生成過程における不確実性をモデル化・解釈するための基本的枠組みも提供することが明らかとなった。

関連論文リスト

• GenIAS: Generator for Instantiating Anomalies in time Series [54.959865643340535]
  可変オートエンコーダを用いた時系列異常検出(TSAD)のための生成モデルを開発した。 GenIASはTSADタスクのための多種多様な現実的な合成異常を生成するように設計されている。 実験の結果,GenIASは従来型および深部異常検出モデル17より一貫して優れていた。
  論文  参考訳（メタデータ） (2025-02-12T10:10:04Z)
• A Non-negative VAE:the Generalized Gamma Belief Network [49.970917207211556]
  ガンマ信念ネットワーク(GBN)は、テキストデータ中の多層解釈可能な潜在表現を明らかにする可能性を実証している。 本稿では、一般化ガンマ信念ネットワーク(Generalized GBN)を導入し、元の線形生成モデルをより表現力のある非線形生成モデルに拡張する。 また、潜伏変数の後方分布を近似する上向きのワイブル推論ネットワークを提案する。
  論文  参考訳（メタデータ） (2024-08-06T18:18:37Z)
• Accurate generation of stochastic dynamics based on multi-model Generative Adversarial Networks [0.0]
  GAN(Generative Adversarial Networks)は、テキストや画像生成などの分野において大きな可能性を秘めている。 ここでは、格子上の原型過程に適用することにより、このアプローチを定量的に検証する。 重要なことに、ノイズにもかかわらずモデルの離散性は維持される。
  論文  参考訳（メタデータ） (2023-05-25T10:41:02Z)
• Auto-regressive Image Synthesis with Integrated Quantization [55.51231796778219]
  本稿では,条件付き画像生成のための多目的フレームワークを提案する。 CNNの帰納バイアスと自己回帰の強力なシーケンスモデリングが組み込まれている。 提案手法は,最先端技術と比較して,優れた多彩な画像生成性能を実現する。
  論文  参考訳（メタデータ） (2022-07-21T22:19:17Z)
• 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)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)

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。