دسته بندی:

شبکه های مولد متخاصم - Generative-Adversarial-Networks

---

سال انتشار:

2021

---

ترجمه فارسی عنوان مقاله:

DEGAN : شبکه های مولد متخاصم غیر متمرکز

---

عنوان انگلیسی مقاله:

DEGAN: Decentralized generative adversarial networks

---

منبع:

Sciencedirect - Elsevier - Neurocomputing 419 (2021) 335–343

---

نویسنده:

Mohammad Hashem Faezi, Shahriar Bijani, Ardeshir Dolati

---

چکیده انگلیسی:

We propose a distributed and decentralized Generative Adversarial Networks (GANs) framework without the exchange of the training data. Each node contains local dataset, a discriminator and a generator, from which only the generator gradients are shared with other nodes. In this paper, we introduce a novel, distributed technique in which workers communicate directly with each other, having no central nodes. Our experimental results on the benchmark datasets demonstrate almost the same performance and accuracy compared with existing centralized GAN frameworks. The proposed framework addresses the lack of decentralized learning for GANs.
Keywords: Deep learning | Generative adversarial networks | Distributed machine learning | Decentralized architecture

---

چکیده فارسی:

در این مطالعه، یک چارچوب توزیع شده و غیرمتمرکز از شبکه های مولد متخاصم (GAN) بدون تبادل داده های آموزشی پیشنهاد شد. هر گره شامل مجموعه ی از داده محلی ، یک تفکیک کننده کننده و یک مولد است که فقط گرادیان ژنراتور آن با سایر گره ها به اشتراک گذاشته می شوند. در این مقاله ، تکنیک توزیع جدید معرفی می شود که در آن کارکنان مستقیماً با یکدیگر ارتباط برقرار می کنند و هیچ گره مرکزی وجود ندارد. نتایج تجربی ما در مجموعه داده های معیار ، عملکرد و دقت تقریباً یکسانی را در مقایسه با چارچوب های GAN متمرکز موجود نشان می دهد. چارچوب پیشنهادی به عدم یادگیری غیرمتمرکز برای GAN ها می پردازد.
کلمات کلیدی: یادگیری عمیق | شبکه های مولد متخاصم | یادگیری ماشین توزیع شده | معماری غیرمتمرکز

---

---

---

---

حجم فایل: 1182 کیلوبایت

---

قیمت: 56160 تومان   

---

توضیحات اضافی:

---

---

---