- GAN-AE: Ένας αλγόριθμος ανίχνευσης ανωμαλιών για αναζήτηση New Physics σε δεδομένα LHC (arXiv)
Συγγραφέας: Louis Vaslin, Vincent Barra, Julien Donini
Περίληψη: Τα τελευταία χρόνια, το ενδιαφέρον έχει αυξηθεί για εναλλακτικές στρατηγικές για την αναζήτηση της Νέας Φυσικής πέρα από το Καθιερωμένο Μοντέλο. Μια προβλεπόμενη λύση έγκειται στην ανάπτυξη αλγορίθμων ανίχνευσης ανωμαλιών που βασίζονται σε τεχνικές μηχανικής εκμάθησης χωρίς επίβλεψη. Σε αυτό το άρθρο, προτείνουμε ένα νέο μοντέλο αυτόματου κωδικοποιητή που βασίζεται σε Generative Adversarial Network που επιτρέπει τόσο τον εντοπισμό ανωμαλιών όσο και τη μοντελοποίηση υποβάθρου ανεξάρτητα από το μοντέλο. Αυτός ο αλγόριθμος μπορεί να ενσωματωθεί με άλλα εργαλεία ανεξάρτητα από το μοντέλο σε μια πλήρη στρατηγική αναζήτησης βαρέως συντονισμού. Η προτεινόμενη στρατηγική έχει δοκιμαστεί στο σύνολο δεδομένων LHC Olympics 2020 με πολλά υποσχόμενα αποτελέσματα.
2. DuDGAN: Βελτίωση Class-Conditional GAN μέσω Dual-Diffusion (arXiv)
Συγγραφέας: Taesun Yeom, Minhyeok Lee
Περίληψη : Η δημιουργία εικόνων υπό όρους κλάσης με χρήση γενεσιουργών ανταγωνιστικών δικτύων (GANs) έχει διερευνηθεί μέσω διαφόρων τεχνικών. Ωστόσο, συνεχίζει να αντιμετωπίζει προκλήσεις όπως κατάρρευση τρόπου λειτουργίας, αστάθεια εκπαίδευσης και χαμηλής ποιότητας αποτελέσματα σε περιπτώσεις συνόλων δεδομένων με υψηλή διακύμανση εντός της κατηγορίας. Επιπλέον, τα περισσότερα GAN συχνά συγκλίνουν σε μεγαλύτερες επαναλήψεις, με αποτέλεσμα την κακή αποτελεσματικότητα της επανάληψης στις διαδικασίες εκπαίδευσης. Ενώ το Diffusion-GAN έχει δείξει δυνατότητες στη δημιουργία ρεαλιστικών δειγμάτων, έχει έναν κρίσιμο περιορισμό στη δημιουργία δειγμάτων υπό όρους κατηγορίας. Για να ξεπεραστούν αυτοί οι περιορισμοί, προτείνουμε μια νέα προσέγγιση για τη δημιουργία εικόνων υπό όρους κατηγορίας με χρήση GAN που ονομάζεται DuDGAN, η οποία ενσωματώνει μια διαδικασία έγχυσης θορύβου με βάση τη διπλή διάχυση. Η μέθοδός μας αποτελείται από τρία μοναδικά δίκτυα: έναν διαχωριστή, έναν δημιουργό και έναν ταξινομητή. Κατά τη διάρκεια της εκπαιδευτικής διαδικασίας, οι θόρυβοι Gauss-mix εγχέονται στα δύο δίκτυα με επίγνωση του θορύβου, τον διαχωριστή και τον ταξινομητή, με διακριτούς τρόπους. Αυτά τα θορυβώδη δεδομένα βοηθούν στην αποφυγή της υπερβολικής τοποθέτησης εισάγοντας σταδιακά πιο απαιτητικές εργασίες, οδηγώντας σε βελτιωμένη απόδοση του μοντέλου. Ως αποτέλεσμα, η μέθοδός μας ξεπερνά τα υπερσύγχρονα μοντέλα GAN υπό όρους για τη δημιουργία εικόνων όσον αφορά την απόδοση. Αξιολογήσαμε τη μέθοδό μας χρησιμοποιώντας τα σύνολα δεδομένων AFHQ, Food-101 και CIFAR-10 και παρατηρήσαμε ανώτερα αποτελέσματα σε μετρήσεις όπως το σκορ FID, KID, Precision και Recall σε σύγκριση με μοντέλα σύγκρισης, υπογραμμίζοντας την αποτελεσματικότητα της προσέγγισής μας
