مخاليط هرمية من المولدات للتعلم التنافسي
| العنوان | مخاليط هرمية من المولدات للتعلم التنافسي |
|---|---|
| المؤلف | أحمد أوغلو، أ.، البايدين، أحمد إبراهيم إثيم |
| تاريخ النشر: | 2019 |
| مكان النشر | - IEEE |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| معرف أصل المكتبة | 2-s2.0-85110411379 |
| رقم السجل | a1912077-cbc7-4ec4-9708-565cf9e63254 |
| موقع المكتبة | علوم الكمبيوتر |
| التاريخ | 2019 |
| ملاحظات | جامعة بوغازيتشي ; توبيتاك أولاكبيم |
| نص عينة | شبكات الخصومة التوليدية (GANs) هي شبكات عصبية عميقة تسمح لنا بأخذ عينات من توزيع احتمالي عشوائي دون تقدير التوزيع بشكل صريح. يوجد مولد يأخذ ناقلًا كامنًا كمدخل ويحوله إلى عينة صالحة من التوزيع. ويوجد أيضًا جهاز تمييز تم تدريبه لتمييز هذه العينات المزيفة عن العينات الحقيقية للتوزيع؛ وفي الوقت نفسه، يتم تدريب المولد على توليد عينات مزيفة لا يستطيع المُميِّز تمييزها عن العينات الحقيقية. بدلاً من تعلم مولد عالمي، يتضمن النهج الحديث تدريب عدة مولدين كل منهم مسؤول عن جزء واحد من التوزيع. في هذا العمل، نراجع مثل هذه الأساليب ونقترح المزيج الهرمي للمولدات، المستوحى من المزيج الهرمي لنموذج الخبراء، الذي يتعلم بنية شجرة تنفذ تجميعًا هرميًا مع انقسامات ناعمة في عقد القرار ومولدات محلية في الأوراق. نظرًا لأنه تم دمج المولدات بهدوء، فإن النموذج بأكمله مستمر ويمكن تدريبه باستخدام التحسين القائم على التدرج، تمامًا مثل نموذج GAN الأصلي. تُظهر تجاربنا على خمس مجموعات من بيانات الصور، وهي MNIST وFashionMNIST وUTZap50K وOxford Flowers وCelebA، أن نموذجنا المقترح يولد عينات عالية الجودة ومتنوعة من حيث مقاييس تقييم GAN الشائعة. يؤدي الهيكل الهرمي المكتسب أيضًا إلى استخلاص المعرفة. |
| DOI | 10.1109/ICPR48806.2021.9413249 |
