View : 286 Download: 0

Counterfactual Image Generating with Feature Extraction in Generative Model

Title
Counterfactual Image Generating with Feature Extraction in Generative Model
Authors
임지언
Issue Date
2023
Department/Major
대학원 통계학과
Publisher
이화여자대학교 대학원
Degree
Master
Advisors
유재근
Abstract
Deep generative models target to infer the underlying true data distribution, and it leads to a huge success of generating fake-but-realistic data. Regarding such perspective, the data attributes can be a crucial factor of data generation process, and non-existent counterfactual samples can be generated by altering certain factors. In this study, we propose Counterfactual Categorical Variational Autoencoder Generative Adversarial Networks (CCVAE-GAN) which combines variational autoencoders and generative adversarial network. By enjoying the benefits of the variational autoencoders and the generative adversarial network, the proposed CCVAE-GAN is able to control the data attributes, and it enables to produce counterfactual data. Our experimental result shows that the generated samples from CCVAE-GAN are qualitatively realistic, and the quantitative results support that the proposed model is able to produce data reflecting attributes flipping that the corresponding feature is recognized in other models.;심층 생성 모델은 실제 데이터의 분포를 추론하여 현실에 존재하지 않지만 실제와 유사한 데이터를 생성한다. 이러한 관점에서 데이터의 속성 값은 데이터를 생성할 때 주요 요소로 활용할 수 있으며, 실존하지 않는 반사실적 데이터는 특정 요소를 변경하여 생성할 수 있다. 본 연구에서는 범주형 변분 오토인코더와 생산적 적대 신경망을 결합한 새로운 모델을 제안한다. 제안된 모델은 변분 오토인코더와 생산적 적대 신경망의 이점을 모두 활용하여 데이터의 속성을 제어할 수 있으며, 이를 통해 반사실적 데이터를 생성할 수 있다. 우리의 실험 결과는 제안한 모델로부터 생성된 샘플 데이터가 실제와 유사하게 현실적으로 생성된 것을 보여주며, 정량적인 결과로는 분류를 통해 데이터를 생성하였을 때, 반영한 속성 값이 다른 모델에서 역시 높은 정확도로 인식됨을 보여준다.
Fulltext
Show the fulltext
Appears in Collections:
일반대학원 > 통계학과 > Theses_Master
Files in This Item:
There are no files associated with this item.
Export
RIS (EndNote)
XLS (Excel)
XML


qrcode

BROWSE