1713384241
2024-04-17 19:44:41
この記事は Science X に従ってレビューされています。 編集プロセス
そして ポリシー。
編集者 は、コンテンツの信頼性を確保しながら、次の属性を強調しました。
事実確認済み
査読済みの出版物
校正する
わかりました！
中国科学技術大学による
合成データセットにおける DynGAN と以前の GAN のパフォーマンス。 クレジット: ヤン教授のチーム
×閉じる
合成データセットにおける DynGAN と以前の GAN のパフォーマンス。 クレジット: ヤン教授のチーム
敵対的生成ネットワーク (GAN) は、本物の実際のサンプルの分布を学習することで、複雑で現実的なデータを合成するために広く使用されています。 しかし、GAN が直面する重大な課題は、生成されたサンプルの多様性が実際のサンプルの多様性よりも著しく低いモード崩壊です。 GAN とそのトレーニング プロセスの複雑さにより、モード崩壊の根本的なメカニズムを明らかにすることが困難になっています。
中国科学院（CAS）の中国科学技術大学（USTC）のYang Zhouwang教授率いる研究チームは、モード崩壊の根本原因を徹底的に調査し、新しいフレームワークである動的GANを提案しました（ DynGAN)、GAN のモード崩壊を定量的に検出して解決します。 彼らの仕事は、 出版された パターン分析とマシンインテリジェンスに関するIEEEトランザクションで。
を通して 理論的分析、チームは、発電機の損失関数がその関数に関して非凸であることを発見しました。 パラメーター 実データに複数のモードが存在する場合。 具体的には、実際の分布のモードの一部のみをカバーする生成された分布をもたらすパラメータは、生成器の損失関数の極小値です。
モード崩壊の問題に取り組むために、チームは統一フレームワークである DynGAN を提案しました。 このフレームワークは、観察可能な弁別器の出力にしきい値を設定して、ジェネレーターが生成できなかったサンプル (崩壊サンプルと呼ばれる) を検出できます。 トレーニング セットは、折りたたまれたサンプルに基づいて分割され、動的条件付き生成モデルがパーティション上でトレーニングされます。
理論的な結果により、DynGAN のプログレッシブ モードを確実にカバーできます。 合成データセットと現実世界のデータセットの両方での実験結果は、DynGAN がアドレス モード崩壊の解決において既存の GAN とそのバリアントを上回っていることを示しました。
この研究は、GAN の理論的理解を進めただけでなく、生成モデルのモード カバレッジを改善するための重要な実装戦略も提供しました。
詳しくは：
Yixin Luo 他、DynGAN: Solving Mode Collapse in GANs with Dynamic Clustering、IEEE Transactions on Pattern Analysis and Machine Intelligence (2024)。 DOI: 10.1109/TPAMI.2024.3367532
雑誌情報:
パターン分析とマシンインテリジェンスに関する IEEE トランザクション
中国科学技術大学提供
#新しいフレームワークは敵対的生成ネットワークにおけるモード崩壊を解決する可能性がある