Yazar
Ahmetoğlu, A., Alpaydın, Ahmet İbrahim Ethem
Basım Tarihi
2019
Basım Yeri
-
IEEE
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
2-s2.0-85110411379
Kayıt Numarası
a1912077-cbc7-4ec4-9708-565cf9e63254
Lokasyon
Bilgisayar Bilimi
Tarih
2019
Notlar
Bogazici University ; TÜBİTAK ULAKBİM
Örnek Metin
Üretken çekişmeli ağlar (GAN'lar), dağıtımı açıkça tahmin etmeden keyfi bir olasılık dağılımından örnekleme yapmamıza olanak tanıyan derin sinir ağlarıdır. Gizli bir vektörü girdi olarak alan ve onu dağıtımdan geçerli bir örneğe dönüştüren bir üreteç vardır. Ayrıca bu tür sahte örnekleri dağıtımın gerçek örneklerinden ayırt etmek için eğitilmiş bir ayırıcı da vardır; Aynı zamanda jeneratör, ayırıcının gerçek örneklerden ayırt edemeyeceği sahte örnekler üretecek şekilde eğitilir. Küresel bir oluşturucuyu öğrenmek yerine, yeni bir yaklaşım, her biri dağıtımın bir kısmından sorumlu olan birden fazla oluşturucunun eğitilmesini içerir. Bu çalışmada, bu tür yaklaşımları gözden geçiriyoruz ve karar düğümlerinde yumuşak bölünmeler ve yapraklarda yerel jeneratörler ile hiyerarşik bir kümeleme uygulayan bir ağaç yapısını öğrenen, uzmanların hiyerarşik karışımı modelinden esinlenerek, jeneratörlerin hiyerarşik karışımını öneriyoruz. Jeneratörler yumuşak bir şekilde birleştirildiğinden tüm model süreklidir ve tıpkı orijinal GAN modelinde olduğu gibi gradyan tabanlı optimizasyon kullanılarak eğitilebilir. MNIST, FashionMNIST, UTZap50K, Oxford Flowers ve CelebA olmak üzere beş görüntü veri seti üzerinde yaptığımız deneyler, önerdiğimiz modelin popüler GAN değerlendirme ölçütleri açısından yüksek kalite ve çeşitlilikte örnekler ürettiğini gösteriyor. Öğrenilen hiyerarşik yapı aynı zamanda bilginin çıkarılmasına da yol açar.
DOI
10.1109/ICPR48806.2021.9413249
