Machine learningDeep learning / NLP / CV
ファインチューニングされた敵対的生成ネットワーク
ファインチューニングされたGANは、大規模な事前学習済み敵対的生成ネットワークから開始し、小規模なターゲットデータセットで敵対的トレーニングを継続します。これにより、モデルはゼロからトレーニングすることなく、新しいドメインで高品質なサンプルを合成できます。この転移アプローチは、事前トレーニング中に学習された豊富な特徴表現を維持しながら、データと計算の要件を劇的に削減します。
手法の全文を読む
会員限定
ログイン無料アカウントでログインすると、このセクションを読めます。
手法マップ
関連する手法の近傍 — ノードを選択して探索できます。
出典
- Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., Courville, A., & Bengio, Y. (2014). Generative Adversarial Nets. Advances in Neural Information Processing Systems (NeurIPS), 27. link ↗
- Mo, S., Cho, M., & Shin, J. (2020). Freeze the Discriminator: a Simple Baseline for Fine-Tuning GANs. CVPR 2020 Workshop on AI for Content Creation. link ↗
このページの引用方法
ScholarGate. (2026, June 3). Fine-Tuned Generative Adversarial Network (Domain-Adaptive GAN via Transfer). ScholarGate. https://scholargate.app/ja/deep-learning/fine-tuned-generative-adversarial-network
どの手法を選ぶ？
この手法を最も近い類縁の手法と並べ、両者を見比べてください — ライブラリは本を机の上に並べるだけ。選ぶのはあなたです。
- ファインチューニングされた畳み込みニューラルネットワーク深層学習↔ 比較
- ファインチューニングされた拡散モデル深層学習↔ 比較
- ファインチューニングされた変分オートエンコーダ深層学習↔ 比較
- ファインチューニングされたVision Transformer深層学習↔ 比較
- Generative Adversarial Network深層学習↔ 比較
- 転移学習GAN深層学習↔ 比較