Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightLSHADE-cnEpSin, en düşük arama aşaması ortalama FID değerini ve kararlı aday düzeyi davranışı elde ederek, popülasyon düzeyi tutarlılık ile nihai en iyi aday kalitesinin birbirinden ayrı değerlendirme boyutları olduğunu göstermektedir.
📌 3 Maddede Bu Makale
Özet
Gradyan cezalı Wasserstein çekişmeli üretici ağlar (WGAN-GP), çekişmeli eğitim kararlılığını artırır; ancak performans, üretici–eleştirmen dengesi, öğrenme oranları, optimize edici momentum parametreleri, düzenlileştirme ve güncelleme sıklığını yöneten hiperparametrelere karşı hâlâ oldukça duyarlıdır. Bu çalışma, WGAN-GP hiperparametre optimizasyonu için kademeli üç aşamalı bir metasezgisel çerçeve sunmaktadır. Birinci aşama, MNIST üzerinde düşük maliyetli ön keşif gerçekleştirir. İkinci aşama, temel yapılandırma ve LSHADE-cnEpSin kullanarak FFHQ 64 × 64 arama uzayını iyileştirir. Üçüncü aşama, Parçacık Sürü Optimizasyonu (PSO), Genetik Algoritma (GA), Diferansiyel Evrim (DE) ve LSHADE-cnEpSin yöntemlerini, birincil metrik olarak gerçek Fréchet Inception Distance (FID) kullanarak eşit fonksiyon değerlendirme bütçeleri altında karşılaştırır. Temel sonuç, bir arama–doğrulama farkıdır: PSO kısa ufuklu arama aşamasında en iyi FID değerine ulaşırken, GA uzun ufuklu nihai doğrulamada en iyi FID değerine ulaşmaktadır. Bu nedenle GA, evrensel bir üstünlük olarak değil, raporlanan deneysel ortamda gecikmeli sömürü davranışı göstermesiyle yorumlanmaktadır. LSHADE-cnEpSin, en düşük arama aşaması ortalama FID değerini ve kararlı aday düzeyi davranışı elde ederek, popülasyon düzeyi tutarlılık ile nihai en iyi aday kalitesinin birbirinden ayrı değerlendirme boyutları olduğunu göstermektedir. Bu sonuçlar, WGAN-GP hiperparametre optimizasyonu için kademeli ve adil bütçeli doğrulamayı daha güvenilir bir protokol olarak desteklemektedir.
Abstract
Wasserstein Generative Adversarial Networks with Gradient Penalty (WGAN-GP) improve adversarial training stability, but performance remains highly sensitive to hyperparameters governing generator–critic balance, learning rates, optimizer momentum, regularization, and update frequency. This study presents a progressive three-stage metaheuristic framework for WGAN-GP hyperparameter optimization. Stage 1 performs low-cost preliminary exploration on MNIST. Stage 2 refines the FFHQ 64 × 64 search space using a baseline and LSHADE-cnEpSin. Stage 3 compares Particle Swarm Optimization (PSO), Genetic Algorithm (GA), Differential Evolution (DE), and LSHADE-cnEpSin under equal function-evaluation budgets with real Fréchet Inception Distance (FID) as the primary metric. The main result is a search-validation gap: PSO achieves the best short-horizon search-phase FID, whereas GA achieves the best long-horizon final-validation FID. GA is therefore interpreted as showing delayed exploitation in the reported setting, not universal superiority. LSHADE-cnEpSin obtains the lowest search-phase mean FID and stable candidate-level behavior, showing that population-level consistency and final best-candidate quality are distinct evaluation dimensions. These results support staged, fair-budget validation as a more reliable protocol for WGAN-GP hyperparameter optimization.