Firma y Log-Firma para el estudio de distribuciones empíricas generadas con GANs
Autores: de Curtò, J.; de Zarzà, I.; Roig, Gemma; Calafate, Carlos T.
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Firma y Log-Firma para el estudio de distribuciones empíricas generadas con GANs
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Convergencia
Bondad del ajuste
Transformada de Firma
RMSE
MAE
Eficiencia
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 51
Citaciones: Sin citaciones
En este documento, abordamos la brecha de investigación en la evaluación eficiente de la convergencia y bondad de ajuste de las Redes Generativas Adversarias (GAN) al introducir la aplicación de la Transformación de la Firma para medir la similitud entre las distribuciones de imágenes. Específicamente, proponemos el uso novedoso de la Raíz del Error Cuadrático Medio (RMSE) y el Error Absoluto Medio (MAE) de la Firma, junto con la Log-Firma, como alternativas a los métodos existentes como la Distancia de Inception Fréchet (FID) y la Medida de Índice de Similitud Estructural Multi-Escala (MS-SSIM). Nuestro enfoque ofrece ventajas en términos de eficiencia y efectividad, brindando una comprensión integral y evaluaciones extensas de la convergencia y bondad de ajuste de GAN.
Descripción
En este documento, abordamos la brecha de investigación en la evaluación eficiente de la convergencia y bondad de ajuste de las Redes Generativas Adversarias (GAN) al introducir la aplicación de la Transformación de la Firma para medir la similitud entre las distribuciones de imágenes. Específicamente, proponemos el uso novedoso de la Raíz del Error Cuadrático Medio (RMSE) y el Error Absoluto Medio (MAE) de la Firma, junto con la Log-Firma, como alternativas a los métodos existentes como la Distancia de Inception Fréchet (FID) y la Medida de Índice de Similitud Estructural Multi-Escala (MS-SSIM). Nuestro enfoque ofrece ventajas en términos de eficiencia y efectividad, brindando una comprensión integral y evaluaciones extensas de la convergencia y bondad de ajuste de GAN.