Проблема оцінювання генеративних змагальних мереж
Вантажиться...
Файли
Дата
Автори
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
The article presents an overview of modern evaluation methods of generation results of generative adversarial networks (GANs). It also shows the analysis of the features, advantages, and disadvantages of those evaluation methods,
as well as the importance of solving the problem of GAN evaluation for their further development.
У даній роботі представлено огляд сучасних методів оцінювання результатів генерування генеративних змагальних мереж (ГЗМ), проаналізовано особливості, переваги та недоліки цих методів, а також показано важливість вирішення проблеми оцінювання ГЗМ для їх подальшого розвитку
У даній роботі представлено огляд сучасних методів оцінювання результатів генерування генеративних змагальних мереж (ГЗМ), проаналізовано особливості, переваги та недоліки цих методів, а також показано важливість вирішення проблеми оцінювання ГЗМ для їх подальшого розвитку
Опис
Ключові слова
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Ісаєнков Я. О. Проблема оцінювання генеративних змагальних мереж [Електронний ресурс] / Я. О. Ісаєнков, О. Б. Мокін // Матеріали L науково-технічної конференції підрозділів ВНТУ, Вінниця, 10-12 березня 2021 р. – Електрон. текст. дані. – 2021. – Режим доступу: https://conferences.vntu.edu.ua/index.php/all-fksa/all-fksa-2021/paper/view/12468.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (3)
- Ian J. Goodfellow, Jean Pouget-Abadie, Mehdi Mirza, Bing Xu, David Warde-Farley, Sherjil Ozair, Aaron Courville, Yoshua Bengio “Generative Adversarial Networks,” arXiv: 1406.2661 [stat.ML], Jun. 2014.
- Salimans, T., Goodfellow, I., Zaremba, W., Cheung, V., Radford, A., and Chen, X. Improved techniques for training gans. In Advances in Neural Information Processing Systems, pp. 2234–2242, 2016
- Martin Heusel, Hubert Ramsauer, Thomas Unterthiner, Bernhard Nessler, Sepp Hochreiter, “GANs Trained by a Two TimeScale Update Rule Converge to a Local Nash Equilibrium,” arXiv:1706.08500 [cs.LG], Jun. 2017.