Funzioni di perdita che preservano la geometria consentono l'adattamento di GAN blackbox
Un nuovo preprint arXiv (2604.23888) propone un metodo per adattare modelli generativi blackbox senza accesso ai pesi o ai gradienti. L'approccio utilizza funzioni di perdita che preservano la geometria con GAN pre-addestrati e ripensa l'inversione GAN per l'adattamento di dominio. Ciò affronta le sfide nel fine-tuning di strumenti di intelligenza artificiale generativa su larga scala che non sono ampiamente disponibili a causa dei costi di archiviazione e dell'accesso limitato.
Fatti principali
- Il preprint arXiv 2604.23888 propone funzioni di perdita che preservano la geometria per l'adattamento di modelli generativi blackbox.
- Il metodo utilizza GAN pre-addestrati e ripensa l'inversione GAN per l'adattamento di dominio.
- Il fine-tuning tradizionale è irrealizzabile a causa dei costi di archiviazione e dell'accesso limitato ai pesi e ai gradienti.
- L'approccio è una pipeline end-to-end per l'adattamento di dominio.
- Pubblicato su arXiv con tipo di annuncio cross.
Entità
Istituzioni
- arXiv