論文の概要: Deciding When to Switch: E-Processes for Adaptive Minimax Training for Generative Adversarial Nets

• arxiv url: http://arxiv.org/abs/2608.10096v1
• Date: Mon, 10 Aug 2026 18:07:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.775396
• Title: Deciding When to Switch: E-Processes for Adaptive Minimax Training for Generative Adversarial Nets
• Title（参考訳）: 切り替え時期の決定: 生成逆ネットのための適応型ミニマックストレーニングのためのE-Processes
• Authors: Hyunjoo Kim, Sicheng Wu, Agastya Venkatraman, Guang Lin, Sehwan Kim,
• Abstract要約: 我々は,e-process-based Adaptive training procedure for adversarial networkを開発した。 我々は、新しい経験的・潜伏的な条件付きe-値が、e-プロセスに蓄積可能な収率条件付きe-値を引き出すことを証明した。 合成分布と画像ベンチマークデータセット全体にわたって、提案手法は最適な固定比ベースラインに適合または性能を向上する。
• 参考スコア（独自算出の注目度）: 8.044490027380872
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern data science increasingly gives rise to hypothesis-testing problems that are not naturally formulated in terms of parameters within prespecified statistical models. One important example is the dynamic evaluation of optimization algorithms, where decisions must be made during training about whether further updates remain beneficial or the algorithm should switch to a different phase. This issue is particularly relevant in stochastic min-max optimization. Generative adversarial networks (GANs) provide a canonical example, as their training requires repeated decisions about when to switch between discriminator and generator updates, yet existing methods typically rely on fixed update ratios or heuristic criteria. We formulate this switching problem as sequential hypothesis testing and develop an e-process-based adaptive training procedure. During discriminator updates, one e-process tests the null that the discriminator-induced separation between the empirical data distribution and the generator law remains below a target level. During generator updates, with the discriminator fixed, a second e-process tests the reverse null that this separation remains above a refresh level. Conditional on the observed training sample, we prove that fresh empirical indices and latent draws yield conditional e-values that can be accumulated into e-processes, providing anytime-valid Type I error control under adaptive model updates and data-dependent switching. Across multimodal synthetic distributions and image benchmark datasets, the proposed method matches or outperforms the best fixed-ratio baselines under several widely used GAN objectives.
• Abstract（参考訳）: 現代のデータ科学は、事前に特定された統計モデル内のパラメータで自然に定式化されていない仮説テスト問題を引き起こす。 重要な例として、最適化アルゴリズムの動的評価がある。そこでは、さらなる更新が有用か、アルゴリズムが別のフェーズに切り替えるべきかをトレーニング中に決定する必要がある。 この問題は確率的な min-max 最適化に特に関係している。 GAN(Generative Adversarial Network)は、ディスクリミネータとジェネレータの更新を切り替えるタイミングに関する繰り返しの決定を必要とするが、既存の手法は通常、固定された更新比率やヒューリスティックな基準に依存している。 本稿では,この切替問題を逐次仮説テストとして定式化し,電子プロセスに基づく適応訓練手法を開発する。 識別器のアップデートの間、ある電子プロセスは、識別器が経験的データ分布と生成法則を分離してターゲットレベル以下であることをテストする。 ジェネレータの更新中、ディスクリミネータが固定された後、第2のeプロセスは、この分離がリフレッシュレベル以上であることを示す逆ヌルをテストする。 得られたトレーニングサンプルを条件として、新しい経験指標と潜伏指標が、Eプロセスに蓄積可能な収率条件付きe値を引き出すことを証明し、適応モデル更新とデータ依存切替の下で、任意の有意なタイプIエラー制御を提供する。 マルチモーダルな合成分布と画像ベンチマークデータセット全体にわたって、提案手法は複数の広く使用されているGAN目標の下で最適な固定比ベースラインに適合または性能を向上する。

関連論文リスト

• Continual Test-Time Adaptation in Computer Vision: Methods, Benchmarks, and Future Directions [43.33274519035607]
  トレーニングとテストデータが同じ分布を共有する場合、ディープニューラルネットは顕著なパフォーマンスを達成する。 しかし、この仮定は、データが連続的な分散シフトを行う現実世界のデプロイメントにおいて、しばしば破られる。 連続テスト時間適応(CTTA)は、事前訓練されたモデルを非定常目標分布にオンザフライで適応させることによって、この問題に対処する。
  論文  参考訳（メタデータ） (2026-07-09T07:02:56Z)
• Time-series Generation by Contrastive Imitation [87.51882102248395]
  モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。 推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
  論文  参考訳（メタデータ） (2023-11-02T16:45:25Z)
• Better Practices for Domain Adaptation [62.70267990659201]
  ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。 DAの明確な検証プロトコルは、文献の悪い実践につながっている。 ドメイン適応手法の3つの分野にまたがる課題を示す。
  論文  参考訳（メタデータ） (2023-09-07T17:44:18Z)
• Semantic Self-adaptation: Enhancing Generalization with a Single Sample [45.111358665370524]
  セマンティックセグメンテーションのための自己適応型アプローチを提案する。 整合正則化を用いて畳み込み層のパラメータを入力画像に微調整する。 実験により, 自己適応は訓練時のモデル正規化の確立した実践を補完する可能性が示唆された。
  論文  参考訳（メタデータ） (2022-08-10T12:29:01Z)
• Efficient Learning of Accurate Surrogates for Simulations of Complex Systems [0.0]
  サンプリング駆動サンプリングによって強化されたオンライン学習手法を提案する。 モデル応答面上のすべての旋回点がトレーニングデータに含まれることを保証する。 本手法を核物質のシミュレーションに適用し,高精度なサロゲートを確実に自動生成できることを実証する。
  論文  参考訳（メタデータ） (2022-07-11T20:51:11Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Minimum-Delay Adaptation in Non-Stationary Reinforcement Learning via Online High-Confidence Change-Point Detection [7.685002911021767]
  非定常環境におけるポリシーを効率的に学習するアルゴリズムを導入する。 これは、リアルタイム、高信頼な変更点検出統計において、潜在的に無限のデータストリームと計算を解析する。 i) このアルゴリズムは, 予期せぬ状況変化が検出されるまでの遅延を最小限に抑え, 迅速な応答を可能にする。
  論文  参考訳（メタデータ） (2021-05-20T01:57:52Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。