文献

J-GLOBAL ID：202202214963234642   整理番号：22A0829186

推論Wasserstein生成敵対ネットワーク【JST・京大機械翻訳】

Inferential Wasserstein generative adversarial networks

著者 (3件)： Chen Yao (Department of Statistics, Purdue University, West Lafayette, Indiana, USA) ,  Gao Qingyi (Department of Statistics, Purdue University, West Lafayette, Indiana, USA) ,  Wang Xiao (Department of Statistics, Purdue University, West Lafayette, Indiana, USA)
資料名： Journal of the Royal Statistical Society. Series B. Statistical Methodology  (Journal of the Royal Statistical Society. Series B. Statistical Methodology)
巻： 84  号： 1  ページ： 83-113  発行年： 2022年 
JST資料番号： C0675A  ISSN： 1369-7412  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 生成敵対ネットワーク(GANs)は多くの問題やアプリケーションに衝撃を与えるが,不安定な訓練に悩まされている。Wasserstein GAN(WGAN)は,GANのミニマックス2層訓練における洞窟を回避するため,Wasserstein距離を活用し,モード崩壊や収束を検出するメトリックの欠如のような他の欠陥を持つ。オートエンコーダとWGANを融合する原理フレームワークである,新しい推論的Waserstein GAN(iWGAN)モデルを導入した。iWGANモデルは,符号器ネットワークと反復プライム-二重最適化過程によって動機づけられた発電機ネットワークを共同で学習する。符号器ネットワークは,潜在空間に観測されたサンプルをマップし,発電機ネットワークは,潜在空間からデータ空間までのサンプルをマップする。iWGANの一般化誤差限界を確立し,その性能を理論的に正当化した。さらに,最尤推定の枠組みの下で著者らのモデルの厳密な確率的解釈を提供した。明確な停止基準を持つiWGANは,他のオートエンコーダGANよりも多くの利点を持つ。経験的実験は,iWGANがモード崩壊の症状を大きく緩和し,収束をスピードアップし,各個々のサンプルに対する品質チェックの測定を提供できることを示した。ベンチマークデータセットに対する競合および安定性能を得ることによりiWGANの能力を説明した。Copyright 2022 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  衝撃 ,  *ネットワーク ,  最尤法 ,  洞窟 ,  符号器 ,  応用プログラム ,  ベンチマーク
準シソーラス用語： ホップ数 ,  自己符号化器 , 【Automatic Indexing@JST】

著者キーワード (5件)： 一般化誤差 ,  生成敵対ネットワーク ,  潜在変数モデル ,  主双対最適化 ,  Wasserstein距離

分類 (2件)： トランジスタ  (NC03070N) ,  半導体薄膜  (BK14040E)

タイトルに関連する用語 (2件)： 推論 ,  敵対