文献

J-GLOBAL ID：201802268574502361   整理番号：18A2202273

敵対型生成ネットワークにおける学習の低ビット化の検討

著者 (9件)： 岸裕真 (産業技術総合研) ,  岸裕真 (東大 大学院) ,  池上努 (産業技術総合研) ,  大内真一 (産業技術総合研) ,  高野了成 (産業技術総合研) ,  野上和加奈 (産業技術総合研) ,  野上和加奈 (東大 大学院) ,  工藤知宏 (東大 情報基盤セ) ,  工藤知宏 (産業技術総合研)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 118  号： 165(CPSY2018 13-32)(Web)  ページ： 91-96 (WEB ONLY)  発行年： 2018年07月23日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 敵対型生成ネットワーク(Generative Adversary Network,GAN)についての研究は昨今盛んに行われており,1024×1024画像生成など,より高精細な画像の生成が可能となってきているがこれに伴い学習にかかる計算コストが爆発的に増えている。本報告ではGANの持つ,DiscriminatorとGeneratorが交互に学習するという特性に着目し,従来の浮動小数点表記よりビットサイズを削減し,ダイナミックレンジをbiasをずらすことで調整する“Bias-Shift型浮動小数点表記”について検討した。また検討に基づきDCGANに対して提案データ表記フォーマットを用いた学習を行い,その結果についても報告した。(著者抄録)

シソーラス用語： 機械学習 ,  データフォーマット ,  *学習アルゴリズム ,  ダイナミックレンジ ,  実験 ,  *ニューラルネットワーク ,  データ表現
準シソーラス用語： 敵対的生成ネットワーク ,  浮動小数点 ,  評価実験 ,  ディープラーニング

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (10件)：

• Goodfellow, Ian, et al. ′′Generative adversarial nets.′′ Advances in neural information processing systems. 2014.
• Radford, Alec, Luke Metz, and Soumith Chintala. ′′Unsupervised representation learning with deep convolutional generative adversarial networks.′′ arXiv preprint arXiv:1511.06434 (2015).
• Karras, Tero, et al. ′′Progressive growing of gans for improved quality, stability, and variation.′′ arXiv preprint arXiv:1710.10196(2017).
• Ouchi, Shinichi, et al. ′′Image-Classifier Deep Convolutional Neural Network Training by 9-bit Dedicated Hardware to Realize Validation Accuracy and Energy Efficiency Superior to the Half Precision Floating Point Format.′′ Circuits and Systems (ISCAS), 2018 IEEE International Symposium on. IEEE, 2018.
• Xu, Tao, et al. ′′AttnGAN: Fine-Grained Text to Image Generation with Attentional Generative Adversarial Networks.′′ arXiv preprint arXiv:1711.10485 (2017).

タイトルに関連する用語 (3件)： 敵対 ,  学習 ,  低ビット