論文の概要: Adversarial Disentanglement with Grouped Observations

• arxiv url: http://arxiv.org/abs/2001.04761v1
• Date: Tue, 14 Jan 2020 13:21:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 12:07:44.806227
• Title: Adversarial Disentanglement with Grouped Observations
• Title（参考訳）: 群発観測による対向性遠絡
• Authors: Jozsef Nemeth
• Abstract要約: 我々は、データ(コンテンツ)の関連属性の表現が、他のすべての要因(スタイル)から切り離されていることを考察する。 この研究はこれらのアルゴリズムを補完し、スタイル表現におけるコンテンツ情報を排除する方法である。 画像データセットにおける実験結果と比較結果から,提案手法は,コンテンツとスタイル関連属性を効率的に分離し,未知のデータに一般化できることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the disentanglement of the representations of the relevant attributes of the data (content) from all other factors of variations (style) using Variational Autoencoders. Some recent works addressed this problem by utilizing grouped observations, where the content attributes are assumed to be common within each group, while there is no any supervised information on the style factors. In many cases, however, these methods fail to prevent the models from using the style variables to encode content related features as well. This work supplements these algorithms with a method that eliminates the content information in the style representations. For that purpose the training objective is augmented to minimize an appropriately defined mutual information term in an adversarial way. Experimental results and comparisons on image datasets show that the resulting method can efficiently separate the content and style related attributes and generalizes to unseen data.
• Abstract（参考訳）: 変分オートエンコーダを用いて,データ(コンテンツ)の関連属性の表現を,他の変化要因(スタイル)から切り離すことを検討する。 近年のいくつかの研究は、各グループ内でコンテンツ属性が共通であると仮定したグループ化された観察を利用してこの問題に対処している。 しかし、多くの場合、これらの手法は、スタイル変数を使用してコンテンツ関連の機能をエンコードするのを防ぐことができない。 この研究は、これらのアルゴリズムを、スタイル表現のコンテンツ情報を排除する手法で補う。 この目的のために、訓練目的は、適切な定義の相互情報項を敵対的に最小化するために強化される。 画像データセットにおける実験結果と比較の結果から, 提案手法は, コンテンツとスタイル関連属性を効率的に分離し, 非知覚データに一般化できることがわかった。

関連論文リスト

• Discriminative Anchor Learning for Efficient Multi-view Clustering [59.11406089896875]
  マルチビュークラスタリング(DALMC)のための識別的アンカー学習を提案する。 元のデータセットに基づいて、識別的なビュー固有の特徴表現を学習する。 これらの表現に基づいて異なるビューからアンカーを構築することで、共有アンカーグラフの品質が向上します。
  論文  参考訳（メタデータ） (2024-09-25T13:11:17Z)
• Measuring Style Similarity in Diffusion Models [118.22433042873136]
  画像からスタイル記述子を理解し抽出するためのフレームワークを提案する。 我々のフレームワークは、スタイルが画像の主観的特性であるという洞察を用いてキュレートされた新しいデータセットで構成されている。 また、テキスト・ツー・イメージ・モデルのトレーニングデータセットで使用される画像に対して、生成した画像のスタイルに使用できるスタイル属性記述子を抽出する手法を提案する。
  論文  参考訳（メタデータ） (2024-04-01T17:58:30Z)
• Self-Supervised Disentanglement by Leveraging Structure in Data Augmentations [63.73044203154743]
  自己教師付き表現学習は、しばしばデータの「スタイル」属性を誘導するためにデータ拡張を使用する。 データの属性が実際に"スタイル"であり、安全に破棄されるような先入観を推論することは困難である。 スタイル機能を捨てるよりも、スタイル機能を切り離そうとする、より原則化されたアプローチを導入します。
  論文  参考訳（メタデータ） (2023-11-15T09:34:08Z)
• PRIME: Prioritizing Interpretability in Failure Mode Extraction [49.93565079216376]
  訓練された画像分類モデルにおいて、故障モードに対する人間の理解可能な記述を提供することの課題について検討する。 本稿では,この問題における解釈可能性を重視した新しい手法を提案する。 本手法は,障害モードの同定に成功し,それに関連する高品質なテキスト記述を生成する。
  論文  参考訳（メタデータ） (2023-09-29T22:00:12Z)
• Learning Representations without Compositional Assumptions [79.12273403390311]
  本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。 また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
  論文  参考訳（メタデータ） (2023-05-31T10:36:10Z)
• That Label's Got Style: Handling Label Style Bias for Uncertain Image Segmentation [8.363593384698138]
  データセットに最先端セグメンテーションの不確実性モデルを適用することで,ラベルの異なるスタイルによるモデルバイアスが生じる可能性があることを示す。 本稿では,アレータ的不確実性推定のためのラベル付けスタイルに基づくモデリング対象条件の更新と,セグメンテーションの不確実性評価のための2つの最先端アーキテクチャの修正について述べる。
  論文  参考訳（メタデータ） (2023-03-28T09:43:16Z)
• Rethinking Generalization: The Impact of Annotation Style on Medical Image Segmentation [9.056814157662965]
  アノテーションのバイアスを無視するのではなく、アノテーションのバイアスをモデル化することで、データセット間のアノテーションスタイルの違いを考慮できる有望な方法が示される。 次に、特定の画像特徴と相関するモデルアノテーションスタイルに対する画像条件付け手法を提案する。
  論文  参考訳（メタデータ） (2022-10-31T15:28:49Z)
• Pretraining Respiratory Sound Representations using Metadata and Contrastive Learning [1.827510863075184]
  教師付きコントラスト学習(Supervised contrastive learning)は、同じクラスラベルを共有するサンプルに類似した表現を学習するパラダイムである。 2つの異なるデータセットにおいて,呼吸異常の分類において,クロスエントロピーよりも優れていることを示す。 この研究は、教師付きコントラスト設定で複数のメタデータソースを使用する可能性を示唆している。
  論文  参考訳（メタデータ） (2022-10-27T12:59:00Z)
• Automatically Discovering and Learning New Visual Categories with Ranking Statistics [145.89790963544314]
  我々は,他のクラスをラベル付けした画像コレクションにおいて,新しいクラスを発見する問題に対処する。 汎用クラスタリングモデルを学び、後者を用いて、非競合データ中の新しいクラスを識別する。 我々は,標準分類ベンチマークに対するアプローチと,新しいカテゴリー発見法の性能を,有意なマージンで評価した。
  論文  参考訳（メタデータ） (2020-02-13T18:53:32Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。