Zobrazeno 1 - 10
of 40
pro vyhledávání: '"Unterthiner, T."'
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Publikováno v:
Scopus-Elsevier
GANs excel at learning high dimensional distributions, but they can update generator parameters in directions that do not correspond to the steepest descent direction of the objective. Prominent examples of problematic update directions include those
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::64f855d380f7395921f7e8628949f00f
Conference
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Francesco Locatello, Weissenborn, D., Unterthiner, T., Mahendran, A., Heigold, G., Uszkoreit, J., Dosovitskiy, A., Kipf, T.
Publikováno v:
Scopus-Elsevier
Advances in Neural Information Processing Systems 33
Advances in Neural Information Processing Systems 33
Learning object-centric representations of complex scenes is a promising step towards enabling efficient abstract reasoning from low-level perceptual features. Yet, most deep learning approaches learn distributed representations that do not capture t
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::80c1788cd7eebe92d6de225f2882cdf3
http://www.scopus.com/inward/record.url?eid=2-s2.0-85108432163&partnerID=MN8TOARS
http://www.scopus.com/inward/record.url?eid=2-s2.0-85108432163&partnerID=MN8TOARS
Publikováno v:
Scopus-Elsevier
We propose rectified factor networks (RFNs) to efficiently construct very sparse, non-linear, high-dimensional representations of the input. RFN models identify rare and small events in the input, have a low interference between code units, have a sm
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::dfbe4c2665ac6d26f47a8c2d0b3a35c9
http://www.scopus.com/inward/record.url?eid=2-s2.0-84965180108&partnerID=MN8TOARS
http://www.scopus.com/inward/record.url?eid=2-s2.0-84965180108&partnerID=MN8TOARS
Publikováno v:
Scopus-Elsevier
Generative Adversarial Networks (GANs) excel at creating realistic images with complex models for which maximum likelihood is infeasible. However, the convergence of GAN training has still not been proved. We propose a two time-scale update rule (TTU
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::cb6f9dfd90132ceb5d55a7a79a1ab78a
http://www.scopus.com/inward/record.url?eid=2-s2.0-85041020882&partnerID=MN8TOARS
http://www.scopus.com/inward/record.url?eid=2-s2.0-85041020882&partnerID=MN8TOARS
Conference
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.