서지주요정보
Diagnosing data samples for robust GAN training = 강인한 생성적 적대 신경망 학습을 위한 데이터 샘플 진단
서명 / 저자 Diagnosing data samples for robust GAN training = 강인한 생성적 적대 신경망 학습을 위한 데이터 샘플 진단 / Haeri Kim.
발행사항 [대전 : 한국과학기술원, 2021].
Online Access 원문보기 원문인쇄

소장정보

등록번호

8037166

소장위치/청구기호

학술문화관(도서관)2층 패컬티라운지(학위논문)

MEE 21030

휴대폰 전송

도서상태

이용가능

대출가능

반납예정일

리뷰정보

초록정보

In the real world, the dataset used to train generative models may include noisy samples. This hinders the model from learning the desired distribution. We propose a method to make robust Generative Adversarial Networks (GANs). We empirically analyze the unstable behavior of GAN training on hard-to-be-learned data and develop efficient measures Log Density Ratio Variance (LDRV) and Log Density Ratio Difference (LDRD) to identify these samples. Using the property that noisy data is hard-to-be-learned, LDRV and LDRD can be used to filter out the noisy data in the training dataset. Furthermore, for clean datasets, forcing the model to focus on hard-to-be-learned data by sample re-weighting using LDRV and LDRD can enhance training performance. Finally, we can make a robust GAN by filtering noisy data and re-weighting.

데이터 수집 과정에서 데이터셋에 잡음 데이터가 섞여 들어갈 수 있다. 생성 모델 학습에서 이러한 잡음 데이터가 섞인 데이터셋을 사용하면 원하지 않는 분포의 데이터가 생성될 수 있다. 이 논문에서는 잡음 데이터가 섞인 데이터셋을 가지고 원하는 분포의 데이터만 생성하는 강인한 생성적 적대 신경망을 만드는 방법을 제시한다. 학습이 어려운 데이터는 학습 과정에서 불안정한 학습 경향을 보임을 실험적으로 확인하고, 각 데이터 샘플에 대한 학습 불안정성을 측정하는 정량화 함수를 제시한다. 잡음 데이터의 학습 불안정성이 높은 성질을 이용하여 제시한 측정 함수를 통해 잡음 데이터를 추출할 수 있다. 또한, 불안정성 측정 함수를 이용하여 정제된 데이터셋에서 학습이 제대로 되지 않은 데이터에 대한 가중치를 조절하여 모델의 성능이 향상됨을 보인다. 마지막으로, 잡음 데이터 추출 및 데이터 가중치 조절을 통한 강인한 생성적 적대 신경망 학습 방법을 제시하며 잡음 데이터가 섞인 데이터셋을 사용하더라도 좋은 성능을 가진 모델을 만들 수 있음을 보인다.

서지기타정보

서지기타정보
청구기호 {MEE 21030
형태사항 iv, 33 p. : 삽화 ; 30 cm
언어 영어
일반주기 저자명의 한글표기 : 김해리
지도교수의 영문표기 : Hye Won Chung
지도교수의 한글표기 : 정혜원
Including Appendix
학위논문 학위논문(석사) - 한국과학기술원 : 전기및전자공학부,
서지주기 References : p. 24-26
QR CODE qr code