Interior Point Methods with Adversarial Networks
非凸かつ陽に定義されないような解領域で条件つけられる最適化問題を
解くための手法としてGANと内点法を組み合わせたIPMANを提案する。
提案手法はepsilon optimalな解を生成可能であり、解領域は実現可能解の
例をもとに学習される。
提案手法は内点法のようにバリア関数を導入し、GANにおけるdiscriminatorにその役割を
代替させ、一方のgeneratorが逐次的に解を改善させていく事になる。
またもし複数の全所最適解が存在する場合には、それらoptimal setを
通して分布が学習される。
Self-Attention Generative Adversarial Networks
本論では、attention構造を利用して長期間の依存関係をモデリングする画像生成GANモデルを提案する。
従来のGANは低解像度の特徴空間においてその局所的情報のみを用いて高解像度の画像生成を試みてきた。
提案手法ではすべての特徴点からの情報を用いる。
さらにdiscriminatorは画像の離れた部分同士の一貫性についても確認するようにする。
また従来研究によりgeneratorに対する条件つけが性能向上のために重要である事がわかっている。
この事実に基づき、generatorに対してspectral normalizationを適用する事で学習挙動を改善する
事ができた。
AutoAugment: Learning Augmentation Policies from Data
本論では、画像向けのdata augmentationについて考える。
本論で提案するAutoAugmentは探索的に改善されたdata augmentation policyを発見する。
この手法では、data augmentation policyの探索空間を定義し、
特定のpolicyにおける対象のデータセットに対する評価を直接的に行う。
この実装では、あるpolicyは複数のsub-policyから成り立つ。
それぞれのsub-policyは２つのoperationから成り立ち、
一つはtranslationやrotationといった画像処理関数で、もう一つはそれが適用されるかどうかをランダムで決める機構である。
AutoAugmentを利用する事で、ラベルなしサンプルを使わずに、それらを使うsemi-supervised手法と
同等の性能を発揮できる。
またAutoAugmentで学習されたpolicyは他のタスクにも汎用に性能向上が期待できる。