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。
最近導入された導入型変分自動符号器(IntroVAE)は,優れた画像生成を示し,画像符号器を用いて不死化推論を可能にする。IntroVAEにおける主なアイデアは,VAE符号器を用いて,生成と実際のデータサンプルを識別するVAE符号器を訓練することである。しかし,元のIntroVAE損失関数は,実際に安定化するのが非常に難しい特定のヒンジ損失定式化に依存し,その理論的収束解析は損失における重要な項を無視した。本研究では,IntroVAEモデル,その実用的実装,およびその応用のより良い理解に向けたステップを取り上げる。生成された試料の滑らかな指数損失でヒンジ損失項を置き換える修正IntroVAEであるソフトIntroVAEを提案した。この変化は訓練安定性を著しく改善し,また完全アルゴリズムの理論解析を可能にする。興味深いことに,IntroVAEはデータ分布とエントロピー項からKL距離の合計を最小化する分布に収束することを示した。この結果の意味を議論し,それが競合画像生成と再構成を誘導することを示した。最後に,教師なし画像翻訳と分布外検出に対するソフトIntroVAEの2つのアプリケーションを記述し,そして,説得力のある結果を示した。コードと追加情報は,プロジェクトウェブサイト-https://taldatech.github.io/soft intro vae webに関して利用可能である。【JST・京大機械翻訳】