Learning from Simulated and Unsupervised Images through Adversarial Training, CVPR2017
シミュレーションにより人工的な画像を生成しそれを学習に用いる事ができる。
しかし現実との画像のギャップにより、パフォーマンスには限界がある。
本論ではその問題へ対処するための手法として現実の教師なし画像と組み合わせる事で
学習性能を向上させる手法を提案する。
提案手法は人工的に作成した画像を入力として用いたGANを用いて、
現実と見分けがつかないような画像を生成する。
加えてGANで画像を生成するにあたって、
元の入力からの差分が大きくなりすぎないようにするself-reguralizationなどの
新たな制約を加える事で性能を向上させた。
Subspace Outlier Detection in Linear Time with Randomized Hashing
異常検知のアルゴリズムは基本的にすべてのデータ点を評価するためその計算コストが高いのが問題であった。
また部分空間法に基づく手法では部分空間毎の評価もさらに必要になってしまう。
本論ではそれに対して、データ量に対して線形オーダーで、かつ領域使用量が一定であるような手法を提案する。
この手法はrandomized hashingを用いてデータ点の評価を行う。
mixup: Beyond Empirical Risk Minimization
大型のdeep netは強力だが，memorizationやadversarial examlpesに対する脆弱性のなどの
問題がある．
本論ではこの問題に対してmixupを提案する．
mixupの手法は与えられている訓練データとそのラベルのペアに関して，凸結合を行って
生成したサンプルも用いる．
このサンプルを用いる事で，モデルに対して線形性を課す事が可能になる．
線形性が課されると，特に外挿を行う際に不必要な非線形的なオシレーションを
防ぎ，ロバスト性を向上させる事が出来る．
この事は敵対的サンプルに対する頑健性向上にも役立つ．