- Передача дефектов GAN: синтез разнообразных дефектов для увеличения данных (arXiv)
Автор: Рую Ван, Сабрина Хоппе, Эдуардо Монари, Марко Ф. Хубер.
Аннотация: Нехватка данных и дисбаланс данных — две основные ловушки во многих подходах к глубокому обучению. Например, на высокооптимизированных производственных линиях дефектные образцы почти не приобретаются, а исправные образцы поставляются почти бесплатно. Однако дефекты часто кажутся похожими друг на друга, например, царапины на разных продуктах могут отличаться лишь несколькими характеристиками. В этой работе мы представляем структуру Defect Transfer GAN (DT-GAN), которая учится представлять типы дефектов независимо от различных фоновых продуктов и в то же время может применять стили, специфичные для дефектов, для создания реалистичных дефектных изображений. Эмпирическое исследование MVTec AD и двух дополнительных наборов данных демонстрирует, что DT-GAN превосходит современные методы синтеза изображений по сравнению с другими. точность выборки и разнообразие в генерации дефектов. Мы также демонстрируем преимущества для критической последующей задачи в производстве — классификации дефектов. Результаты показывают, что дополненные данные из DT-GAN обеспечивают стабильный выигрыш даже в режиме нескольких выборок и снижают частоту ошибок до 51% по сравнению как с традиционными, так и с передовыми методами дополнения данных.
2. SDYN-GAN: методы состязательного обучения для многошаговых генеративных моделей для стохастической динамики общего порядка (arXiv)
Автор: Панос Стинис, Константинос Даскалакис, Пол Дж. Атцбергер.
Аннотация: Мы вводим состязательные методы обучения для управляемого данными генеративного моделирования динамики стохастических систем n-го порядка. Наш подход основан на генеративно-состязательных сетях (GAN) с классами генеративной модели, основанными на стабильных стохастических численных интеграторах с m-шагами. Мы вводим различные формулировки и методы обучения для изучения моделей стохастической динамики, основанные на наблюдении выборок траекторий. Мы разрабатываем подходы с использованием дискриминаторов, основанных на максимальной средней невязке (MMD), протоколов обучения с использованием условных и маргинальных распределений, а также методов изучения динамических ответов в разных временных масштабах. Мы показываем, как наши подходы можно использовать для моделирования физических систем для изучения силовых законов, коэффициентов демпфирования и параметров, связанных с шумом. Подходы к состязательному обучению предоставляют методы для получения стабильных генеративных моделей для динамических задач, включая долгосрочное прогнозирование и разработку симуляций для стохастической системы.
