Meta-learning Enabled Score-Based Generative Adversarial Networks (GANs)

P. Navaneethakrishnan

doi:10.1007/s44196-025-00933-1

Meta-learning Enabled Score-Based Generative Adversarial Networks (GANs)

2025-09-09

0

OA

AI

P

P. Navaneethakrishnan

DOI：10.1007/s44196-025-00933-1

原文链接

原文求助

摘要

En 中文

生成对抗网络（GANs）提供高质量数据的能力使其受到了广泛关注。另一方面，超参数调整是GAN训练的常见部分，这可能会增加计算成本，并在某些任务上导致表现不理想。元学习赋能的基于分数的GAN（MLS-GAN）是我们在本研究中提出的一种新框架，它结合了元学习和基于分数的生成模型。我们的方法采用元学习，通过收集针对个体任务定制化的先验和动态适应性策略来增强基于分数的模型训练。这提高了生成过程的泛化性和鲁棒性，并且还允许在较少数据和超参数修改的情况下实现更高效的学习。通过在图像合成和数据创建任务上进行全面测试，我们证明了我们的Meta-SB-GANs是成功的。结果表明，样本质量更高、收敛速度更快，并且对其他领域的迁移性更好。我们的研究发现，将元学习与生成模型相结合，可以在减少计算资源的情况下实现最先进的性能。

Keyword:

Generative adversarial networks

Anomaly detection

Limited labeled data

High speed rail

MLSGAN

Workload reduction

Time reduction

Machine learning

Deep learning

System efficiency

Meta-learning Enabled Score-Based Generative Adversarial Networks (GANs)

摘要

期刊

机构