| Title: | Алгоритм минимизации артефактов в многомерных GAN-архитектурах с применением итеративного регулируемого распределения выборок |
| Other Titles: | Artifact minimization algorithm in multidimensional gan architectures using iterative regulated sample distribution |
| Authors: | Ковбаса, Г. А. |
| Keywords: | материалы конференций;генеративно-состязательные сети;адаптивное вероятностное сэмплирование;AIS;Feedback GAI;аппроксимация плотности данных;Density Ratio Estimation |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| Citation: | Ковбаса, Г. А. Алгоритм минимизации артефактов в многомерных GAN-архитектурах с применением итеративного регулируемого распределения выборок = Artifact minimization algorithm in multidimensional gan architectures using iterative regulated sample distribution / Г. А. Ковбаса // Компьютерные системы и сети : сборник материалов 62-й научной конференции аспирантов, магистрантов и студентов БГУИР, Минск, 13–17 апреля 2026 г. / Белорусский государственный университет информатики и радиоэлектроники. – Минск, 2026. – С. 272–274. |
| Abstract: | Данная работа посвещена алгоритму, решающему проблему дистрибутивной точности в многоуровневых GAN. Алгоритм базируется на циклическом механизме адаптивного вероятностного сэмплирования (AIS) и системе межуровневой обратной связи (Feedback GAI) для динамической коррекции градиентного поля. В отличие от традиционных подходов, AIS интегрируется непосредственно в тренировочный цикл для динамической коррекции градиентного поля через аппроксимацию плотности данных (Density Ratio Estimation). Экспериментальные данные показали превосходство над другими многоуровневыми архитектурами GAN и адаптированными архитектурами (U-Net + GAI), увеличив логарифмическое правдоподобие на 22%. |
| Alternative abstract: | This paper presents an algorithm that addresses the problem of distributed accuracy in multilayer GANs. The algorithm is based on a cyclical adaptive probability sampling (AIS) mechanism and a cross-layer feedback system (GAI) for dynamic gradient field correction. Unlike traditional approaches, AIS is integrated directly into the dynamic gradient field correction workflow through density approximation (Density Ratio Estimation). Experimental data demonstrated superiority over other multilayer GAN architectures and adapted architectures (U-Net + GAI), increasing the log-likelihood by 22%. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/64094 |
| Appears in Collections: | Компьютерные системы и сети : материалы 62-й научной конференции аспирантов, магистрантов и студентов : сборник статей (2026)
|
