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
- 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) - Class-Specific Variational Auto-Encoder for Content-Based Image
Retrieval [95.42181254494287]
本稿では,変分自動エンコーダ(VAE)に対する正規化損失を提案する。
その結果、モデルは、関心のクラスに属するデータを他のあらゆる可能性から識別することを学ぶ。
実験の結果,提案手法はドメイン内およびドメイン外検索における競合よりも優れていた。
論文 参考訳(メタデータ) (2023-04-23T19:51:25Z) - 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) - Leveraging Ensembles and Self-Supervised Learning for Fully-Unsupervised
Person Re-Identification and Text Authorship Attribution [77.85461690214551]
完全ラベル付きデータからの学習は、Person Re-IdentificationやText Authorship Attributionなどのマルチメディアフォレスト問題において困難である。
近年の自己教師型学習法は,基礎となるクラスに意味的差異が有る場合に,完全ラベル付きデータを扱う際に有効であることが示されている。
本研究では,異なるクラスからのサンプルが顕著に多様性を持っていない場合でも,ラベルのないデータから学習できるようにすることにより,個人再認識とテキストオーサシップの属性に対処する戦略を提案する。
論文 参考訳(メタデータ) (2022-02-07T13:08:11Z) - Improving cluster recovery with feature rescaling factors [2.4366811507669124]
再スケーリング手順は、すべての機能を同一に扱うべきではない、と我々は主張する。
本稿では,各機能のクラスタ内関係を考慮に入れた機能再スケーリング手法を提案する。
提案手法を用いたクラスタリング手法は, 従来のデータ正規化手法よりも明らかに優れていることを示す。
論文 参考訳(メタデータ) (2020-12-01T13:29:35Z) - What Should Not Be Contrastive in Contrastive Learning [110.14159883496859]
本稿では,タスク依存不変性に関する事前知識を必要としない,対照的な学習フレームワークを提案する。
我々のモデルは、異なる埋め込み空間を構築することで、視覚表現の様々な要因や不変要素を捉えることを学習する。
我々は、共有バックボーンを持つマルチヘッドネットワークを使用し、各オーグメンテーションにまたがる情報をキャプチャし、ダウンストリームタスクにおけるすべてのベースラインより優れている。
論文 参考訳(メタデータ) (2020-08-13T03:02:32Z) - 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。