論文の概要: Roundtrip: A Deep Generative Neural Density Estimator
- arxiv url: http://arxiv.org/abs/2004.09017v4
- Date: Fri, 4 Sep 2020 07:17:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 18:10:38.490393
- Title: Roundtrip: A Deep Generative Neural Density Estimator
- Title(参考訳): roundtrip: ディープ生成型神経密度推定器
- Authors: Qiao Liu, Jiaze Xu, Rui Jiang, Wing Hung Wong
- Abstract要約: 本研究では,深部生成モデルに基づく汎用神経密度推定器として,ラウンドトリップを提案する。
一連の実験において、ラウンドトリップは様々な密度推定タスクにおいて最先端の性能を達成する。
- 参考スコア(独自算出の注目度): 6.704101978104295
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Density estimation is a fundamental problem in both statistics and machine
learning. In this study, we proposed Roundtrip as a general-purpose neural
density estimator based on deep generative models. Roundtrip retains the
generative power of generative adversarial networks (GANs) but also provides
estimates of density values. Unlike previous neural density estimators that put
stringent conditions on the transformation from the latent space to the data
space, Roundtrip enables the use of much more general mappings. In a series of
experiments, Roundtrip achieves state-of-the-art performance in a diverse range
of density estimation tasks.
- Abstract(参考訳): 密度推定は統計学と機械学習の両方において基本的な問題である。
本研究では,深部生成モデルに基づく汎用神経密度推定器としてラウンドトリップを提案する。
ラウンドトリップはGAN(Generative Adversarial Network)の生成力を保ちながら、密度値の推定も提供する。
潜在空間からデータ空間への変換に厳密な条件を課す従来の神経密度推定装置とは異なり、ラウンドトリップはより一般的なマッピングの使用を可能にする。
一連の実験において、ラウンドトリップは様々な密度推定タスクにおいて最先端の性能を達成する。
関連論文リスト
- Towards the Uncharted: Density-Descending Feature Perturbation for Semi-supervised Semantic Segmentation [51.66997548477913]
本稿では,DDFP(Dedentity-Descending Feature Perturbation)という特徴レベルの一貫性学習フレームワークを提案する。
半教師付き学習における低密度分離仮定にインスパイアされた私たちの重要な洞察は、特徴密度はセグメンテーション分類器が探索する最も有望な方向の光を放つことができるということである。
提案したDFFPは、機能レベルの摂動に関する他の設計よりも優れており、Pascal VOCとCityscapesのデータセット上でのアートパフォーマンスの状態を示している。
論文 参考訳(メタデータ) (2024-03-11T06:59:05Z) - Quantum Adaptive Fourier Features for Neural Density Estimation [0.0]
本稿では,カーネル密度推定の一種とみなすニューラル密度推定法を提案する。
この方法は密度行列、量子力学で使われる形式主義、適応フーリエ特徴に基づいている。
本手法は, 異なる合成および実データを用いて評価し, その性能を最先端のニューラル密度推定法と比較した。
論文 参考訳(メタデータ) (2022-08-01T01:39:11Z) - Rethinking Spatial Invariance of Convolutional Networks for Object
Counting [119.83017534355842]
局所連結ガウス核を用いて元の畳み込みフィルタを置き換え、密度写像の空間位置を推定する。
従来の研究から着想を得て,大規模なガウス畳み込みの近似を好意的に実装するために,翻訳不変性を伴う低ランク近似を提案する。
提案手法は,他の最先端手法を著しく上回り,物体の空間的位置の有望な学習を実現する。
論文 参考訳(メタデータ) (2022-06-10T17:51:25Z) - TAKDE: Temporal Adaptive Kernel Density Estimator for Real-Time Dynamic
Density Estimation [16.45003200150227]
時間適応型カーネル密度推定器(TAKDE)と命名する。
TAKDEは最悪のAMISEの点で理論的に最適である。
合成および実世界のデータセットを用いて数値実験を行い、TAKDEが他の最先端の動的密度推定器より優れていることを示す。
論文 参考訳(メタデータ) (2022-03-15T23:38:32Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳(メタデータ) (2021-10-11T09:00:33Z) - Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。
この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。
同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文 参考訳(メタデータ) (2021-07-05T18:30:26Z) - Deep Data Density Estimation through Donsker-Varadhan Representation [5.276937617129594]
我々は,深層ニューラルネットワークとドンスカー・バラダン変分法を用いて,KL偏差に基づくデータ密度を簡易かつ効果的に推定する手法を提案する。
本研究では,ドンスカー・バラダン表現におけるデータと一様分布の発散に関する最適批判関数が,データ密度を推定できることを示した。
論文 参考訳(メタデータ) (2021-04-14T03:38:32Z) - Nonparametric Density Estimation from Markov Chains [68.8204255655161]
我々はマルコフ・チェインにインスパイアされた新しい非パラメトリック密度推定器を導入し、よく知られたケルネル密度推定器を一般化する。
我々の推定器は, 通常のものに対していくつかの利点を示し, 全密度アルゴリズムの基盤として容易に利用できる。
論文 参考訳(メタデータ) (2020-09-08T18:33:42Z) - Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。
可変スキップは、10-100$timesの効率向上をもたらすことを示す。
論文 参考訳(メタデータ) (2020-07-10T19:01:40Z)
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。