文献

J-GLOBAL ID：202202277752614733   整理番号：22A1019961

教師付きおよび半教師つき学習のための生成敵対訓練【JST・京大機械翻訳】

Generative Adversarial Training for Supervised and Semi-supervised Learning

著者 (8件)： Wang Xianmin (Institute of Artificial Intelligence and Blockchain, Guangzhou University, Guangzhou, China) ,  Li Jing (Institute of Artificial Intelligence and Blockchain, Guangzhou University, Guangzhou, China) ,  Li Jing (Fujian Provincial Key Laboratory of Information Processing and Intelligent Control, Minjiang University, Fuzhou, China) ,  Li Jing (State Key Laboratory of Information Security, Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China) ,  Liu Qi (Institute of Artificial Intelligence and Blockchain, Guangzhou University, Guangzhou, China) ,  Zhao Wenpeng (Institute of Artificial Intelligence and Blockchain, Guangzhou University, Guangzhou, China) ,  Li Zuoyong (Fujian Provincial Key Laboratory of Information Processing and Intelligent Control, Minjiang University, Fuzhou, China) ,  Wang Wenhao (State Key Laboratory of Information Security, Institute of Information Engineering, Chinese Academy of Sciences, Beijing, China)
資料名： Frontiers in Neurorobotics (Web)  (Frontiers in Neurorobotics (Web))
巻： 16  ページ： 859610  発行年： 2022年 
JST資料番号： U7086A  ISSN： 1662-5218  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： ニューラルネットワークは多くの研究分野で重要な役割を担っている。最近提案された敵対訓練(AT)は,訓練プロセスにおける意図的摂動を加えることによって,ニューラルネットワークの一般化能力を改善できるが,時には最悪ケース摂動を発生できず,その結果,限られた改善をもたらす。特定の平滑関数を設計し,既存のAT法で使用される近似解を求める代わりに,本論文では,教師つきおよび半教師つき学習のために,本論文では,Generative AT(GAT)と名付けた新しい訓練方法論を提案した。GATの鍵となるアイデアは,摂動発生器が出力分布の偏差を最大化する最悪ケース摂動を生成することを意図するミニマックスゲームとして学習タスクを定式化することであり,一方,ターゲット分類器はこの摂動と予測誤差の影響を最小化することである。このミニマックス最適化問題を解くために,交差エントロピー測度に基づいて新しい敵対損失関数を構築した。その結果,モデルの平滑性と信頼性は,両方とも大いに改良した。さらに,GATの安定訓練を可能にするための軌道保存ベースの交互更新戦略を開発した。ベンチマークデータセット上で行った多数の実験は,提案GATが,特にラベル付き事例の数が半教師つき学習においてむしろ小さい場合,教師つきおよび半教師つき学習タスクに関して最先端のAT法よりも著しく優れていることを明瞭に示した。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： エントロピー ,  測度 ,  *学習 ,  ゲーム ,  最適化問題 ,  信頼性 ,  損失関数 ,  ニューラルネットワーク ,  定式化 ,  摂動 ,  出力分布 ,  予測誤差 ,  平滑度
準シソーラス用語： *半教師つき学習 ,  近似解 , 【Automatic Indexing@JST】

著者キーワード (6件)： ニューラルネットワーク ,  敵対的訓練 ,  発生的AT ,  最悪ケース摂動 ,  平滑度関数 ,  軌道保存に基づく代替更新戦略

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (36件)：

• Bishop C. M., Nasser M. N. (2006). Pattern Recognition and Machine Learning, Vol. 4. New York, NY: Springer.
• Cui J., Liu S., Wang L., Jia J. (2021). Learnable boundary guided adversarial training, in Proceedings of the IEEE/CVF International Conference on Computer Vision (Montreal, QC), 15721-15730.
• Dai Z., Yang Z., Yang F., Cohen W. W., Salakhutdinov R. R. (2017). Good semi-supervised learning that requires a bad gan, in Advances in Neural Information Processing Systems, eds I. Guyon, U. V. Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, and R. Garnett (Long Beach, CA: Curran Associates), 6510-6520.
• Deng S., Cai Q., Zhang Z., Wu X. (2021a). User behavior analysis based on stacked autoencoder and clustering in complex power grid environment. IEEE Trans. Intell. Transp. Syst. 1-15. doi: 10.1109/TITS.2021.3076607
• Deng S., Chen F., Dong X., Gao G., Wu X. (2021b). Short-term load forecasting by using improved gep and abnormal load recognition. ACM Trans. Internet Technol. (TOIT) 21, 1-28. doi: 10.1145/3447513

タイトルに関連する用語 (4件)： 教師 ,  半教師つき学習 ,  敵対 ,  訓練