抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
性能改善の目的で,生成敵対ネットワーク(GAN)の損失関数を一般化するために,情報理論的測度のパラメータ化ファミリーの使用を研究した。最小k次GAN(LkGAN)と呼ばれる新しい発電機損失関数を最初に紹介し,k≧1(k=2のときLSGAN損失関数を回復する)のk次絶対誤差歪測度を用いて最小二乗GAN(LSGANs)を一般化した。(非制約)最適識別器の下でこの一般化損失関数を最小化することは,k次Pearson-Vajda発散を最小化するために等価であることを示した。もう一つの新しいGAN発電機損失関数は,次に,次数α>0,α≠1のR’enyi交差エントロピー汎関数に関して提案した。α→1として元のGAN損失関数におそらく減少するこのR’enyi中心一般化損失関数は,Jensen-R’enyi発散,Jensen-Shannon発散の自然拡張に基づく元のGANによって満足される平衡点を保存することを示した。実験結果は,DCGANとStyleGANアーキテクチャの下で,MNISTとCelebAデータセットに適用した提案した損失関数が,それぞれ,パラメータkとαによって提供される余分の自由度によって,性能利益を与えることを示す。より具体的には,Fr’echet Inception Distance(FID)スコアと訓練安定性によって測定されるように,生成された画像の品質に関する改善を示す。GANsに適用したが,提案手法は一般的であり,深層学習,例えば,人工知能における公平性やプライバシーの問題などの情報理論の他の応用に使用できる。【JST・京大機械翻訳】