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。
Waserstein Generative Adversarial Network(WGANs)は,多様なアプリケーションで大きな注目を集めている,多様なクラスのモデルを提供する。しかし,このフレームワークには2つの主な欠点がある。(i)WGANは常にデータ幾何学によく適合できないように,Waserstein-1(または地球-Mover)距離は制限的である。(ii)WGANの高速訓練を達成することは難しい。本論文では,Bregmanコスト関数とWasserstein-1距離を一般化することにより,新しいクラスの緩和Waserstein(RW)距離を提案した。著者らは,RW距離が良好な統計的特性を達成し,一方,計算扱いやすさを犠牲にしないことを示した。GANフレームワークと組み合わせて,著者らは,統計的に柔軟であるが,発見的手法を用いて効率的に近似できる緩和WGAN(RWGAN)を開発した。実画像に関する実験は,Kullback-Leibler(KL)コスト関数を有するRWGANが,勾配ペナルティでさえ,他の競合するアプローチ,例えばWGANsより優れていることを実証した。【JST・京大機械翻訳】
