スコルテックとAIRIの研究者は、ニューラルネットワークを使用してドメイン間の最適なデータ転送のための新しいアルゴリズムを開発しました
Researchers from Scortech and AIRI have developed a new algorithm using neural networks for optimal data transfer between domains.
大規模OT（Optimum Transport）とWasserstein GAN（Generative Adversarial Networks）の出現以降、機械学習ではニューラルネットワークを使用して最適輸送（OT）の問題を解決することが増えてきました。OTプランは最近、実際のタスクで同等の性能を持つ生成モデルとして使用可能であることが示されています。OTコストは、生成モデル内のジェネレータを更新するための損失関数としてよく計算され使用されます。
人工知能研究所（AIRI）とSkoltechは、ニューラルネットワークを使用して異なる学問領域間で情報共有を最適化するための革新的なアルゴリズムに関して共同研究を行っています。このアルゴリズムの理論的な基盤により、その出力は競合手法よりも理解しやすくなっています。入出力の例などの結合トレーニングデータセットを必要とする他の手法とは異なり、この革新的な手法は入力と出力のドメインから別々のデータセットでトレーニングすることができます。
大規模なトレーニングデータセットは入手が困難ですが、顔や音声認識、医療画像解析などのアプリケーション向けに構築された現代の機械学習モデルには必要不可欠です。そのため、科学者やエンジニアはしばしば人工的な手段を用いて現実世界のデータセットをシミュレートすることがあります。生成モデルの最近の進歩により、生成されたテキストや画像の品質が大幅に向上し、この作業が容易になりました。
ニューラルネットワークは、ペアのトレーニングサンプルや入出力画像セットから新しい入力画像に一般化して拡張するように学習されます。これは、品質の異なる同一の写真を処理する必要がある作業に役立ちます。言い換えると、生成モデルは異なるデータからデータを合成することで、一つのドメインから別のドメインへの移行を容易にします。例えば、ニューラルネットワークは手描きの絵をデジタル画像に変換したり、衛星写真の明瞭度を向上させることができます。
確定的および確率的な輸送マップを使用して確率分布を整列させることは、一般的なツールであるこの技術のユニークな使用法です。この手法は、ペアの翻訳（画像の復元、ドメイン適応など）以外のドメインで既存のモデルを向上させることができます。この手法により、生成されたサンプルのバリエーションのレベルをより制御することができ、GANや拡散モデルに基づく一般的な手法と比較して学習したマップの解釈性が向上します。研究者は、特定のタスクのための輸送コスト設計を潜在的な研究領域として強調しています。
最適輸送と生成学習の交差点が選ばれた手法の中心にあります。エンターテイメント、デザイン、コンピュータグラフィックス、レンダリングなどの分野では、生成モデルと効率的な輸送が広範に使用されています。上記のセクターにおけるいくつかの問題は、この手法に適している可能性があります。一方で、以前のツールを使用することで画像処理技術を一般に提供することが可能になるため、グラフィックス業界の一部の職業は影響を受ける可能性があります。
獲得したデータが高額であるか、または入手が困難であるため、研究者は理想的なマッチしたデータセットではなく、関連性のないデータセットで妥協することがしばしばあります。チームは、効率的な貨物輸送（最適輸送理論）に関するソビエト連邦の数学者兼経済学者であるレオニード・カントロヴィッチの著作に戻り、ドメイン間での最適なデータ転送を計画するための革新的な手法を開発しました。ニューラル最適輸送は、深層ニューラルネットワークと別々のデータセットを使用した新しい手法です。
ドメイン間の非結合の転送において、このアルゴリズムは画像のスタイリングやその他のタスクにおいて最先端の手法よりも優れた結果を達成します。さらに、通常調整が難しいハイパーパラメータが少なく、より解釈可能な結果をもたらし、競合手法よりも堅牢な数学的基盤に基づいています。
We will continue to update VoAGI; if you have any questions or suggestions, please contact us!
Was this article helpful?
93 out of 132 found this helpful
Related articles
