Fungsi carian sedang dalam pembinaan.
Fungsi carian sedang dalam pembinaan.

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. ex. Some numerals are expressed as "XNUMX".
Copyrights notice

The original paper is in English. Non-English content has been machine-translated and may contain typographical errors or mistranslations. Copyrights notice

Improving Noised Gradient Penalty with Synchronized Activation Function for Generative Adversarial Networks Meningkatkan Penalti Kecerunan Bunyi dengan Fungsi Pengaktifan Tersegerak untuk Rangkaian Musuh Generatif

Rui YANG, Raphael SHU, Hideki NAKAYAMA

  • pandangan teks lengkap

    0

  • Petikan Ini

Ringkasan:

Rangkaian Adversarial Generatif (GAN) ialah salah satu prinsip pembelajaran model generatif yang paling berjaya dan digunakan secara liar pada banyak tugas generasi. Pada mulanya, penalti kecerunan (GP) telah digunakan untuk menguatkuasakan diskriminasi dalam GAN untuk memenuhi kesinambungan Lipschitz dalam Wasserstein GAN. Walaupun versi vanila bagi penalti kecerunan telah diubah suai lagi untuk tujuan yang berbeza, mencari keseimbangan yang lebih baik dan kualiti penjanaan yang lebih tinggi dalam pembelajaran lawan masih mencabar. Baru-baru ini, DRAGAN telah dicadangkan untuk mencapai kelinearan tempatan dalam manifold data sekeliling dengan menggunakan penalti kecerunan bunyi untuk mempromosikan kecembungan tempatan dalam pengoptimuman model. Walau bagaimanapun, kami menunjukkan bahawa pendekatan mereka akan mengenakan beban untuk memuaskan kesinambungan Lipschitz untuk diskriminasi. Konflik sedemikian antara kesinambungan Lipschitz dan kelinearan tempatan dalam DRAGAN akan mengakibatkan keseimbangan yang lemah, dan dengan itu kualiti penjanaan adalah jauh dari ideal. Untuk tujuan ini, kami mencadangkan pendekatan baru untuk memanfaatkan kedua-dua lineariti tempatan dan kesinambungan Lipschitz untuk mencapai keseimbangan yang lebih baik tanpa konflik. Secara terperinci, kami menggunakan fungsi pengaktifan disegerakkan kami dalam diskriminator untuk menerima bentuk penalti kecerunan bunyi tertentu untuk mencapai kelinearan tempatan tanpa kehilangan sifat kesinambungan Lipschitz dalam diskriminator. Keputusan percubaan menunjukkan bahawa kaedah kami boleh mencapai kualiti imej yang unggul dan mengatasi prestasi WGAN-GP, DiracGAN dan DRAGAN dari segi Skor Permulaan dan Jarak Permulaan Fréchet pada set data dunia sebenar.

Jawatankuasa
IEICE TRANSACTIONS on Information Vol.E105-D No.9 pp.1537-1545
Tarikh penerbitan
2022/09/01
Diumumkan
2022/05/27
ISSN dalam talian
1745-1361
DOI
10.1587/transinf.2022EDP7019
Jenis Manuskrip
PAPER
kategori
Kecerdasan Buatan, Perlombongan Data

Pengarang

Rui YANG
  University of Tokyo
Raphael SHU
  Amazon AI
Hideki NAKAYAMA
  University of Tokyo

Kata kunci

Contents [show]