교대 역전파를 이용한 생성기 네트워크 학습
본 논문은 생성기 네트워크(Generator Network)를 학습하기 위한 교대(back‑propagation) 알고리즘을 제안한다. 잠재 변수 Z를 라그랑주 역학(Langevin dynamics) 혹은 경사 하강법으로 추정하고, 추정된 Z를 이용해 네트워크 파라미터 W를 업데이트한다. 두 단계 모두 역전파를 활용해 그래디언트를 계산하므로 구현이 간단하고, 이미지·비디오·음성 등 다양한 데이터에 대해 현실적인 생성 모델을 학습할 수 있다. 또…
저자: Tian Han, Yang Lu, Song-Chun Zhu
본 논문은 생성기 네트워크(Generator Network)를 학습하기 위한 새로운 최적화 프레임워크인 **교대 역전파(Alternating Back‑Propagation)** 를 제안한다. 전통적인 요인 분석(Factor Analysis)은 관측 벡터 Y를 저차원 잠재 변수 Z와 선형 매핑 WZ의 합으로 모델링한다. 여기서 저자는 선형 매핑을 컨볼루션 신경망 f(Z;W)으로 대체함으로써 비선형 변환을 학습하고, 이를 **비선형 요인 분석**이라고 부른다. 모델 가정은 다음과 같다: Z∼N(0,I_d), ε∼N(0,σ²I_D), Y = f(Z;W) + ε, d
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기