論文の概要: EmbeddGAN: A Novel GAN Framework Using an Embedding Network and Gini Distance Correlation

• arxiv url: http://arxiv.org/abs/2609.22508v1
• Date: Fri, 18 Sep 2026 19:13:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.423657
• Title: EmbeddGAN: A Novel GAN Framework Using an Embedding Network and Gini Distance Correlation
• Title（参考訳）: EmbeddGAN: 埋め込みネットワークとジーニ距離相関を用いた新しいGANフレームワーク
• Abstract要約: 本研究では,依存性に基づく新たな対人訓練フレームワーク EmbeddGAN を提案する。 EmbeddGANは、サンプルを実または偽のものとして分類する識別器に頼る代わりに、サンプルと実/偽のラベル間の統計的依存を最大化する表現を学習する埋め込みネットワークを導入する。 MNIST、CIFAR-10、CelebAデータセットの実験は、EmbedGANが確立されたベースラインと比較して競争性能を達成することを示した。
• 参考スコア（独自算出の注目度）: 4.661276657409372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative Adversarial Networks (GANs) have demonstrated strong performance in generating high-quality synthetic data. However, they are limited by no formal guarantees regarding convergence and the effectiveness of the learning process. In practice, this leads to training instability, mode collapse, and sensitivity to hyperparameters. To address this, we propose EmbeddGAN, a novel adversarial training framework based on a dependence-based objective. Instead of relying on a discriminator that classifies samples as real or fake, EmbeddGAN introduces an embedding network that learns a representation in which statistical dependence between samples and their real/fake labels is maximized, while the generator is trained to minimize this dependence. This objective is implemented using the Gini distance correlation (gCor), which equals zero if and only if the embeddings are statistically independent of the real/fake label. Minimizing this objective therefore encourages real and generated samples to become statistically indistinguishable in the learned embedding space. The embedding network projects both real and generated data into a shared low-dimensional space, where distributional discrepancies can be measured directly through pairwise distances. We adopt a minimax training strategy: the embedding network maximizes the Gini distance correlation (maximizing dependence), while the generator minimizes it (minimizing dependence). Experiments on the MNIST, CIFAR-10, and CelebA datasets demonstrate that EmbeddGAN achieves competitive performance relative to established baselines while exhibiting notably stable training dynamics on the evaluated datasets.
• Abstract（参考訳）: GAN(Generative Adversarial Networks)は,高品質な合成データを生成する上で,高い性能を示す。 しかし、それらは、収束と学習プロセスの有効性に関する正式な保証によって制限される。 実際には、これはトレーニングの不安定性、モード崩壊、ハイパーパラメータに対する感度につながる。 そこで本研究では,依存性に基づく新たな学習フレームワーク EmbeddGAN を提案する。 EmbeddGANは、サンプルを実または偽のものとして分類する識別器に頼る代わりに、サンプルと実/偽のラベル間の統計的依存が最大化される表現を学習する埋め込みネットワークを導入し、ジェネレータは、この依存を最小限に抑えるように訓練されている。 この目的は Gini distance correlation (gCor) を用いて実現され、埋め込みが実・偽ラベルから統計的に独立である場合に限りゼロと等しい。 したがって、この目的を最小化することで、学習された埋め込み空間において、実際のサンプルと生成されたサンプルが統計的に区別できないようになる。 埋め込みネットワークは、実データと生成データの両方を共有低次元空間に投影する。 埋め込みネットワークはGini距離相関を最大化(依存の最大化)し、ジェネレータは最小化(依存の最小化)する。 MNIST、CIFAR-10、CelebAデータセットの実験では、EmbedGANは、確立されたベースラインと比較して、特に安定したトレーニングダイナミクスを示しながら、競争的なパフォーマンスを達成することが示されている。

関連論文リスト

• FedOPAL: One-Shot Federated Learning via Analytic Visual Prompt Tuning [5.979900839748232]
  本稿では,エッジ上の大規模モデルの効率的な協調のためのフレームワークを提案する。 FedOPALは特徴プロンプトとして視覚的プロンプトに適応し、不均一なデータの特徴分布を線形に分離可能な空間に積極的に修正する。 実験結果から,FedOPALはいくつかのベンチマークにおいて,従来の解析手法よりも優れているだけでなく,サーバ側のトレーニングコストのゼロを維持しつつ,最先端の反復手法に匹敵する精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2026-07-09T11:28:31Z)
• Cross-Domain Adversarial Augmentation: Stabilizing GANs for Medical and Handwriting Data Scarcity [0.0]
  Generative Adversarial Networks (GAN)は、視覚タスクにおけるデータの不足を軽減するための実用的なルートを提供する。 64x64解像度のDCGANモデルを用いて,Bangla手書き文字と胸部X線画像の2つの低リソース領域における生成増強について検討した。
  論文  参考訳（メタデータ） (2026-05-03T10:48:26Z)
• Consistency-Regularized GAN for Few-Shot SAR Target Recognition [40.2533418376231]
  合成開口レーダ(SAR)画像におけるわずかなショット認識は、極端なデータ不足のため、現実世界のアプリケーションにとって重要なボトルネックとなっている。 有望な戦略としては、GAN(Generative Adversarial Network)を備えた大規模なデータセット、自己教師付き学習(SSL)によるモデルの事前トレーニング、ラベル付きサンプルの微調整などがある。 このアプローチは基本的なパラドックスに直面する: 従来のGAN自身は、安定したトレーニングのために豊富なデータを必要とし、少数ショット学習の前提に反する。 多様な高次合成を目的とした新しいフレームワークCr-GANを提案する。
  論文  参考訳（メタデータ） (2026-01-22T06:02:39Z)
• Federated Learning With L0 Constraint Via Probabilistic Gates For Sparsity [0.0]
  LearningNIST(FL)は、複数のクライアントがデータのプライバシを維持しながらモデルのトレーニングに協力する必要がある分散機械学習設定である。 データとモデルの本質的にの疎さは、過度に密集したモデルと、データとクライアントの参加の下での一般化性の低下をもたらすことが多い。 非ゼロパラメータの密度に対するL0制約付きFLを提案し、確率ゲートを用いた革命と連続緩和により達成する。
  論文  参考訳（メタデータ） (2025-12-28T20:33:22Z)
• Modest-Align: Data-Efficient Alignment for Vision-Language Models [67.48633659305592]
  クロスモーダルアライメントモデルは、リソース制約のある環境での運用において、過信と劣化したパフォーマンスに悩まされることが多い。 我々は,ロバスト性と効率性に配慮した軽量アライメントフレームワークであるModest-Alignを提案する。 本手法は,実世界の低リソースシナリオにおけるクロスモーダルアライメントを実現するための,実用的でスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-10-24T16:11:10Z)
• Dataset Condensation with Latent Quantile Matching [5.466962214217334]
  電流分布マッチング (DM) に基づく直流法は, 合成外乱と実外乱の遅延埋め込みの平均をマッチングすることにより, 合成データセットを学習する。 本稿では,2つの分布間の適合試験統計量の良さを最小化するために,遅延埋め込みの量子化と一致する潜在量子マッチング(LQM)を提案する。
  論文  参考訳（メタデータ） (2024-06-14T09:20:44Z)
• SMaRt: Improving GANs with Score Matching Regularity [114.43433222721025]
  生成的敵ネットワーク(GAN)は通常、基礎となる多様体が複雑である非常に多様なデータから学ぶのに苦労する。 スコアマッチングは、生成したデータポイントを実データ多様体へ持続的にプッシュする能力のおかげで、この問題に対する有望な解決策であることがわかった。 提案手法は, 実世界のデータセットにおいて, 近似スコア関数として機能する事前学習拡散モデルを用いて, 最先端のGANの性能を継続的に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-11-30T03:05:14Z)
• 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)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)

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。