論文の概要: Effect of The Latent Structure on Clustering with GANs
- arxiv url: http://arxiv.org/abs/2005.02435v1
- Date: Tue, 5 May 2020 18:52:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-06 13:31:23.611118
- Title: Effect of The Latent Structure on Clustering with GANs
- Title（参考訳）: ganによるクラスタリングにおける潜伏構造の影響
- Authors: Deepak Mishra, Aravind Jayendran, Prathosh A. P
- Abstract要約: 本稿では, GANの生成空間におけるクラスタリングの問題に着目し, 潜在空間の特性との関係を明らかにする。
我々は、第一原則、GANフレームワークにおける忠実なクラスタリングを達成するために必要な必要かつ十分な条件から導き出します。
また,スパース監視によるクラスタ事前学習を容易にするマルチモーダル潜在空間の構築手順についても述べる。
- 参考スコア（独自算出の注目度）: 13.970914037707724
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative adversarial networks (GANs) have shown remarkable success in
generation of data from natural data manifolds such as images. In several
scenarios, it is desirable that generated data is well-clustered, especially
when there is severe class imbalance. In this paper, we focus on the problem of
clustering in generated space of GANs and uncover its relationship with the
characteristics of the latent space. We derive from first principles, the
necessary and sufficient conditions needed to achieve faithful clustering in
the GAN framework: (i) presence of a multimodal latent space with adjustable
priors, (ii) existence of a latent space inversion mechanism and (iii)
imposition of the desired cluster priors on the latent space. We also identify
the GAN models in the literature that partially satisfy these conditions and
demonstrate the importance of all the components required, through ablative
studies on multiple real world image datasets. Additionally, we describe a
procedure to construct a multimodal latent space which facilitates learning of
cluster priors with sparse supervision.
- Abstract（参考訳）: generative adversarial networks (gans) は画像などの自然データ多様体からデータを生成することに顕著な成功を収めている。
いくつかのシナリオでは、特に厳しいクラス不均衡がある場合、生成されたデータが適切にクラスタ化されることが望ましい。
本稿では,GANの生成空間におけるクラスタリングの問題に着目し,その潜在空間の特性との関係を明らかにする。
私たちは、第一原則、GANフレームワークにおける忠実なクラスタリングを達成するために必要な必要かつ十分な条件から導き出します。
(i)調整可能なプリエントを持つマルチモーダル潜在空間の存在。
(ii)潜在空間反転機構の存在と
(iii)潜在空間上の所望のクラスターの事前配置
また,これらの条件を部分的に満たし,必要なすべてのコンポーネントの重要性を示す文献において,複数の実世界の画像データセットに関するアブレーティブな研究を通じて,GANモデルを同定する。
さらに,スパース監視によるクラスタ事前学習を容易にするマルチモーダル潜在空間の構築手順についても述べる。
関連論文リスト
- GCC: Generative Calibration Clustering [55.44944397168619]
本稿では,特徴学習と拡張をクラスタリングに組み込む新しいGCC法を提案する。
まず,実検体と実検体間の固有関係を識別する識別的特徴アライメント機構を開発する。
第二に、より信頼性の高いクラスタ割り当てを生成するための自己教師付きメトリック学習を設計する。
論文 参考訳（メタデータ） (2024-04-14T01:51:11Z) - Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。
本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。
これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文 参考訳（メタデータ） (2024-02-03T19:00:19Z) - Hyper-Laplacian Regularized Concept Factorization in Low-rank Tensor
Space for Multi-view Clustering [0.0]
マルチビュークラスタリングのための低ランクテンソル空間における超ラプラシア正規化概念分解(HLRCF)を提案する。
具体的には、各ビューの潜在クラスタ単位の表現を探索するために、概念因子化を採用します。
異なるテンソル特異値が構造情報と不等値とを関連付けることを考慮し、自己重み付きテンソルSchatten p-ノルムを開発する。
論文 参考訳（メタデータ） (2023-04-22T15:46:58Z) - Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。
本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。
さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文 参考訳（メタデータ） (2023-03-29T14:54:19Z) - Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。
特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。
いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
論文 参考訳（メタデータ） (2022-08-25T05:47:39Z) - Enhancing cluster analysis via topological manifold learning [0.3823356975862006]
クラスタ化前にデータセットのトポロジ構造を推定することで,クラスタ検出を大幅に向上させることができることを示す。
位相構造を推定するための多様体学習法UMAPと密度に基づくクラスタリング法DBSCANを組み合わせた。
論文 参考訳（メタデータ） (2022-07-01T15:53:39Z) - Deep Conditional Gaussian Mixture Model for Constrained Clustering [7.070883800886882]
制約付きクラスタリングは、部分的にラベル付けされたデータの増加量に関する事前情報を利用することができる。
本稿では、直感的で解釈可能で、勾配変動推論の枠組みで効率的に訓練できる制約付きクラスタリングのための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-11T13:38:09Z) - Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。
提案されたSSCAGは最先端のアプローチと競合する。
論文 参考訳（メタデータ） (2021-04-24T08:09:27Z) - Unveiling the Potential of Structure-Preserving for Weakly Supervised
Object Localization [71.79436685992128]
本稿では,WSOLの畳み込み機能に組み込まれた構造情報を完全に活用するための2段階構造保存アクティベーション(SPA)を提案する。
第1段階では、分類ネットワークによって引き起こされる構造ミス問題を軽減するために制限アクティベーションモジュール(ram)が設計されている。
第2段階では, 自己相関マップ生成(SCG)モジュールと呼ばれるプロセス後アプローチを提案し, 構造保存ローカライゼーションマップを得る。
論文 参考訳（メタデータ） (2021-03-08T03:04:14Z) - A Critique of Self-Expressive Deep Subspace Clustering [23.971512395191308]
サブスペースクラスタリング(Subspace clustering)は、線形サブスペースの和集合上でサポートされているデータをクラスタリングするために設計された、教師なしクラスタリング技術である。
従来の作業では適切に対処されていなかったこのアプローチには,潜在的な欠陥がいくつかあることを示す。
論文 参考訳（メタデータ） (2020-10-08T00:14:59Z) - Graph Convolutional Subspace Clustering: A Robust Subspace Clustering
Framework for Hyperspectral Image [6.332208511335129]
本稿では,HSIクラスタリングのための新しいサブスペースクラスタリングフレームワークであるGraph Convolutional Subspace Clustering (GCSC)を提案する。
具体的には、このフレームワークはデータの自己表現性を非ユークリッド領域に再キャストする。
従来のサブスペースクラスタリングモデルはユークリッドデータを用いたフレームワークの特別な形態であることを示す。
論文 参考訳（メタデータ） (2020-04-22T10:09:19Z)
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。