정보과학회논문지 (Journal of KIISE)
Current Result Document : 1 / 1
| 한글제목(Korean Title) |
단순화한 프레셋 거리를 이용한 적대적 생성 신경망의 모드 드롭 및 붕괴 검출 기법 |
| 영문제목(English Title) |
Detecting Mode Drop and Collapse in GANs Using Simplified Frèchet Distance |
| 저자(Author) |
김충일
정승원
문지훈
황인준
Chung-Il Kim
Seungwon Jung
Jihoon Moon
Eenjun Hwang
|
| 원문수록처(Citation) |
VOL 46 NO. 10 PP. 1012 ~ 1019 (2019. 10) |
한글내용
(Korean Abstract) |
적대적 생성 신경망은 두 개의 네트워크를 적대적으로 학습시켜 원본 데이터 분포를 추정하고, 이를 기반으로 데이터를 생성하는데 탁월한 모델이지만, 학습 도중 분포를 학습하지 못하는 모드 드롭 현상이나 하나 또는 매우 적은 분포의 샘플만을 생성하는 모드 붕괴 현상이 종종 나타난다. 이 현상을 감지하기 위해 기존 연구들은 학습 데이터를 통제하거나 별도의 신경망 모델을 학습시켜야 하는 한계점을 보였다. 이에 본 논문은 프레셋 거리를 단순화하여 추가적인 모델이나 학습 데이터의 제한 없이 모드 붕괴를 검출하는 기법을 제안한다. 다양한 실험을 통하여 제안하는 거리 척도가 기존의 적대적 생성 신경망에 적용된 척도에 비해 더욱 효과적으로 모드 드롭 및 붕괴를 검출할 수 있음을 보인다.
|
영문내용
(English Abstract) |
Even though generative adversarial network (GAN) is an excellent model for generating data based on the estimation of real data distribution by of two adversarial learning network, this model often suffers from mode drop that does not learn distribution during learning, or mode collapse that generates only one or very few distribution samples. Most studies to detect these problems have used well-balanced data or additional neural network models. In this paper, we propose a method to detect mode drop and collapse by using a simplified Frèchet distance, which does not require any additional model or well-balanced data. Through various experiments, we showed that our proposed distance metric detected mode drop and collapse more accurately than any other metrics used in GANs.
|
| 키워드(Keyword) |
적대적 생성 신경망
모드 드롭
모드 붕괴
거리 측도
Generative adversarial nets
mode drop
mode collapse
distance measure
|
| 파일첨부 |
PDF 다운로드
|
