敵対的変分オートエンコーダーによる生成モデルの拡張と改善

生成的人工知能（GenAI）は、ChatGPTやBardなどの多くの驚くべき成果を伴って発展してきました。深層生成モデル（DGM）はGenAIの一分野であり、画像や音声などのラスターデータを生成することにおいて、推論と認識における深層ニューラルネットワーク（DNN）の強みが際立っています。DNNの組み込みの推論メカニズムは、人間の神経ネットワークのシナプス可塑性を模擬し、それを目指すことで、DGMの生成能力を高め、統計的柔軟性の支えによって驚くべき結果を生み出します。DGMにおける2つの人気のアプローチは変分オートエンコーダー（VAE）と生成的敵対ネットワーク（GAN）です。VAEとGANはそれぞれの強みを持ちながらも、統計の基礎理論を共有し、DNNが具体的な仕様なしで効果的なエンコーディング/デコーディング機能を持つ際の隠れ層を経て非常に複雑なものです。本研究では、VAEとGANを統一した一貫したモデルである敵対的変分オートエンコーダー（AVA）に統合し、VAEとGANが相互に補完し合うようにします。たとえば、VAEはKullback-Leiblerダイバージェンスの優れた理念を通してデータをエンコードする生成器に優れており、GANは現実的または偽のデータの信頼性を評価するための非常に重要な方法です。言い換えれば、AVAは生成モデルの精度を改善することを目指し、さらにAVAは単純な生成モデルの機能を拡張します。この研究の方法論は、複雑な問題をできるだけ簡単に実装し解決するために、応用数学の概念と巧妙なプログラミング技術の組み合わせに焦点を当てています。