論文の概要: Learning Extremal Representations with Deep Archetypal Analysis
- arxiv url: http://arxiv.org/abs/2002.00815v1
- Date: Mon, 3 Feb 2020 15:13:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 08:31:16.174133
- Title: Learning Extremal Representations with Deep Archetypal Analysis
- Title（参考訳）: 深部アーチティパル解析による極端表現の学習
- Authors: Sebastian Mathias Keller, Maxim Samarin, Fabricio Arend Torres, Mario
Wieser, Volker Roth
- Abstract要約: 本稿では,ニューラルネットワークによってパラメータ化された線形アーチタイプモデルの生成的定式化を提案する。
線形アーチティパル解析の再構成は、深い変動情報ボトルネックとして、任意に複雑な側情報の取り込みを可能にする。
第二の応用は、小さな有機分子の化学空間の探索である。
- 参考スコア（独自算出の注目度）: 6.6410040715586005
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Archetypes are typical population representatives in an extremal sense, where
typicality is understood as the most extreme manifestation of a trait or
feature. In linear feature space, archetypes approximate the data convex hull
allowing all data points to be expressed as convex mixtures of archetypes.
However, it might not always be possible to identify meaningful archetypes in a
given feature space. Learning an appropriate feature space and identifying
suitable archetypes simultaneously addresses this problem. This paper
introduces a generative formulation of the linear archetype model,
parameterized by neural networks. By introducing the distance-dependent
archetype loss, the linear archetype model can be integrated into the latent
space of a variational autoencoder, and an optimal representation with respect
to the unknown archetypes can be learned end-to-end. The reformulation of
linear Archetypal Analysis as deep variational information bottleneck, allows
the incorporation of arbitrarily complex side information during training.
Furthermore, an alternative prior, based on a modified Dirichlet distribution,
is proposed. The real-world applicability of the proposed method is
demonstrated by exploring archetypes of female facial expressions while using
multi-rater based emotion scores of these expressions as side information. A
second application illustrates the exploration of the chemical space of small
organic molecules. In this experiment, it is demonstrated that exchanging the
side information but keeping the same set of molecules, e. g. using as side
information the heat capacity of each molecule instead of the band gap energy,
will result in the identification of different archetypes. As an application,
these learned representations of chemical space might reveal distinct starting
points for de novo molecular design.
- Abstract（参考訳）: アーチタイプは極端の意味での典型的な人口代表であり、典型性は特徴や特徴の最も極端な表現であると理解されている。
線型特徴空間において、アーチタイプは、すべてのデータポイントをアーチタイプの凸混合として表現できるデータ凸包を近似する。
しかし、特定の機能空間において意味のあるアーチタイプを特定できるとは限らない。
適切な特徴空間を学習し、適切なアーチタイプを特定することは同時にこの問題に対処する。
本稿ではニューラルネットワークによってパラメータ化された線形アーチタイプモデルの生成的定式化を提案する。
距離依存的アーキタイプ損失を導入することにより、線形アーキタイプモデルを変分オートエンコーダの潜在空間に統合することができ、未知アーキタイプに対する最適な表現をエンドツーエンドに学習することができる。
線形アーチティパル解析を深部変分情報ボトルネックとして再構成することで、訓練中に任意の複雑な側情報を組み込むことができる。
さらに、改良されたディリクレ分布に基づく別の前者を提案する。
提案手法の現実的適用性は,女性表情の古型を探索し,これらの表情のマルチレータベース感情スコアを側面情報として用いた。
2つ目の応用は、小さな有機分子の化学空間の探索である。
この実験では、側情報を交換するが、同じ分子の集合を保持することが示されている。
g.
サイド情報として、バンドギャップエネルギーの代わりに各分子の熱容量を使用すると、異なるアーチタイプが識別される。
応用として、これらの学習された化学空間の表現は、デ・ノボ分子設計の出発点を明確にする可能性がある。
関連論文リスト
- Disentangled Hyperbolic Representation Learning for Heterogeneous Graphs [29.065531121422204]
本稿では,分散ハイパーボリックなヘテロジニアスグラフ畳み込みネットワークである$textDis-H2textGCN$を提案する。
提案した$textDis-H2textGCN$を実世界の5つの異種グラフデータセット上で評価した。
論文 参考訳（メタデータ） (2024-06-14T18:50:47Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - Topological Obstructions and How to Avoid Them [22.45861345237023]
局所最適性は特異点や不正確な次数や巻数によって生じる可能性があることを示す。
本稿では,データポイントを幾何学空間上のマルチモーダル分布にマッピングするフローベースモデルを提案する。
論文 参考訳（メタデータ） (2023-12-12T18:56:14Z) - Biarchetype analysis: simultaneous learning of observations and features based on extremes [0.0]
そこで本研究では,古型解析を拡張し,観察と特徴の両アーキタイプを同時に識別する新しい手法であるバイアルキタイプ解析を提案する。
この革新的な教師なし機械学習ツールは、純粋な型、またはバイアーキタイプのインスタンスを通して、観察と特徴を表現することを目的としている。
さまざまな機械学習課題に対するバイアルキタイプ分析の適用は、その価値を浮き彫りにする。
論文 参考訳（メタデータ） (2023-11-18T19:44:54Z) - Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。
我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
論文 参考訳（メタデータ） (2023-10-22T04:06:44Z) - Flow Factorized Representation Learning [109.51947536586677]
本稿では、異なる入力変換を定義する潜在確率パスの別個のセットを規定する生成モデルを提案する。
本モデルは,ほぼ同変モデルに近づきながら,標準表現学習ベンチマークにおいて高い確率を達成することを示す。
論文 参考訳（メタデータ） (2023-09-22T20:15:37Z) - Preserving Fine-Grain Feature Information in Classification via Entropic
Regularization [10.358087436626391]
標準的なクロスエントロピーは、粗い機能に過度に適合する可能性があることを示す。
エントロピーに基づく正規化を導入し、訓練されたモデルの特徴空間におけるさらなる多様性を促進する。
論文 参考訳（メタデータ） (2022-08-07T09:25:57Z) - Supervised Hebbian learning: toward eXplainable AI [0.0]
我々は,ホップフィールドモデルにぼやけた例をフィードすれば,教師なし学習プロトコルと教師なし学習プロトコルの両方を定義できることを示した。
また、ランダムで構造化されていないデータセットに対して、教師付き学習規則を備えたホップフィールドモデルが制限されたボルツマンマシンと等価であることを証明した。
論文 参考訳（メタデータ） (2022-03-02T18:46:17Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Quadric hypersurface intersection for manifold learning in feature space [52.83976795260532]
適度な高次元と大きなデータセットに適した多様体学習技術。
この手法は、二次超曲面の交点という形で訓練データから学習される。
テスト時、この多様体は任意の新しい点に対する外れ値スコアを導入するのに使うことができる。
論文 参考訳（メタデータ） (2021-02-11T18:52:08Z) - ASGN: An Active Semi-supervised Graph Neural Network for Molecular
Property Prediction [61.33144688400446]
本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。
教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。
最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
論文 参考訳（メタデータ） (2020-07-07T04:22:39Z)
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。