Controllable Data Generation by Deep Learning: A Review

要約

標的特性に基づいて新しいデータを設計および生成することは、分子設計、画像編集、音声合成などのさまざまな重要なアプリケーションを惹きつけています。
従来の手作りのアプローチは、専門知識の経験と人間の集中的な努力に大きく依存していますが、効果的かつ効率的なデータ生成をサポートするための科学的知識の不足とスループットの低さに依然として悩まされています。
最近、深層学習の進歩により、表現手法がデータの基礎となる表現とプロパティを学習する機会が生まれました。
このような機能は、データの構造パターンと機能的特性の間の相互関係を決定し、そのような関係を利用して、望ましい特性が与えられた構造データを生成する新しい方法を提供します。
この記事は、一般に制御可能なディープ データ生成として知られる、この有望な研究分野を説明する体系的なレビューです。
まず、この記事では潜在的な課題を提起し、予備知識を提供します。
次に、この記事では、制御可能なディープ データ生成を正式に定義し、さまざまな手法の分類を提案し、この特定の領域における評価指標を要約しています。
その後、記事は制御可能な深層データ生成のエキサイティングなアプリケーションを紹介し、実験的に分析し、既存の研究を比較します。
最後に、この記事では、制御可能なディープ データ生成の有望な将来の方向性を強調し、5 つの潜在的な課題を特定します。

要約(オリジナル)

Designing and generating new data under targeted properties has been attracting various critical applications such as molecule design, image editing and speech synthesis. Traditional hand-crafted approaches heavily rely on expertise experience and intensive human efforts, yet still suffer from the insufficiency of scientific knowledge and low throughput to support effective and efficient data generation. Recently, the advancement of deep learning has created the opportunity for expressive methods to learn the underlying representation and properties of data. Such capability provides new ways of determining the mutual relationship between the structural patterns and functional properties of the data and leveraging such relationships to generate structural data, given the desired properties. This article is a systematic review that explains this promising research area, commonly known as controllable deep data generation. First, the article raises the potential challenges and provides preliminaries. Then the article formally defines controllable deep data generation, proposes a taxonomy on various techniques and summarizes the evaluation metrics in this specific domain. After that, the article introduces exciting applications of controllable deep data generation, experimentally analyzes and compares existing works. Finally, this article highlights the promising future directions of controllable deep data generation and identifies five potential challenges.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google