305336記事公開中

トレンドワード
  2. AIベンチマークリサーチ
  3. 論文研究
  4. GANのアウト・オブ・サンプル検証（Out-of-Sample Testing for GANs）
1未満 分で読了
0 views

GANのアウト・オブ・サンプル検証

（Out-of-Sample Testing for GANs）

#GANs
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近部下に「GANの評価を見直さないといけない」と言われまして。正直、生成モデルの評価ってピンと来ないんです。要するに、どこが問題で、何をすればよくなるんですか？

AIメンター拓海

素晴らしい着眼点ですね！大丈夫、GANの評価は直感的でない部分が多いんです。今回の論文はEvalGANという評価法を紹介していて、実際のサンプル空間で再構成の品質とその対数尤度を直接測る方法なんですよ。

田中専務

再構成の品質と対数尤度、ですか。専門用語が来ると不安になりますが、これって要するに生成した画像が本物とどれだけ似ているかと、その画像がどれだけ「あり得る」かを数で示すということですか？

AIメンター拓海

まさにそのとおりですよ。ポイントを三つにまとめると、1) テストセットを使って元のサンプル空間で直接再構成誤差を見る、2) 再構成したサンプルの対数尤度（log-likelihood）を算出する、3) 特定のGANやデータセットに依存しない方法である、という点が強みなんです。

田中専務

なるほど。では従来よく聞くFIDやInception Scoreとどう違うんですか？うちで言えば、どれを信頼すれば投資判断できるんでしょう。

AIメンター拓海

良い質問ですね。簡単に言うと、FIDやInception Scoreは

監修者

阪上雅昭（SAKAGAMI Masa-aki）
京都大学　人間・環境学研究科　名誉教授

論文研究シリーズ
前の記事
世代交代型宇宙船の規模に関する数値的制約
（Numerical constraints on the size of generation ships from total energy expenditure on board, annual food production and space farming techniques）
次の記事
表象における公平性：ステレオタイプ化を表象的損害として定量化する
（Fairness in representation: quantifying stereotyping as a representational harm）
関連記事
視覚言語モデルの連鎖思考推論の改善
（IMPROVE VISION LANGUAGE MODEL CHAIN-OF-THOUGHT REASONING）
特徴空間の外科的分解：LLMにおける理由・タイミング・手法
（Surgical Feature-Space Decomposition of LLMs: Why, When and How?）
LLMのデータポイズニングとJailbreak-Tuningの脅威
（Data Poisoning in LLMs: Jailbreak-Tuning and Scaling Trends）
文脈に配慮した生成モデル学習
（Context-Aware Learning for Generative Models）
LLMによる階層化RIC：O-RAN向けのLLM活用階層型RANインテリジェント制御
(LLM-hRIC: LLM-empowered Hierarchical RAN Intelligent Control for O-RAN)
有害藻類大発生の管理におけるハイブリッド機械学習手法
（Hybrid Machine Learning techniques in the management of harmful algal blooms impact）
関連タグ
#GANs
この記事をシェア

有益な情報を同僚や仲間と共有しませんか？

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
（Black hole/quantum machine learning correspondence）
  • 論文研究
生成AI検索における敏感なユーザークエリの分類と分析
（Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System）
  • 論文研究
DiReDi：AIoTアプリケーションのための蒸留と逆蒸留
（DiReDi: Distillation and Reverse Distillation for AIoT Applications）
  • 論文研究

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に！
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
最新記事
音声から「屋外録音」時の3D顔動作を合成する技術
（Synthesising 3D Facial Motion from “In-the-Wild” Speech）
  • 論文研究
大量のツイートに基づく市民の特徴付け
（Characterization of citizens using word2vec and latent topic analysis in a large set of tweets）
  • 論文研究
オミクスデータの統合的コンセンサスクラスタリングのための多重カーネル学習
（Multiple kernel learning for integrative consensus clustering of ’omic datasets）
  • 論文研究
生成モデルの精度と網羅性を分離して評価する手法の改良
（Improved Precision and Recall Metric for Assessing Generative Models）
  • 論文研究
SR-GANによるゼロショット学習の改良
（SR-GAN: SEMANTIC RECTIFYING GENERATIVE ADVERSARIAL NETWORK FOR ZERO-SHOT LEARNING）
  • 論文研究
継続学習の三つのシナリオ
（Three scenarios for continual learning）
  • 論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか？

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に！

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか？

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター！

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題！誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む