論文の概要: A Showcase of the Use of Autoencoders in Feature Learning Applications

• arxiv url: http://arxiv.org/abs/2005.04321v1
• Date: Fri, 8 May 2020 23:56:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 12:50:55.022169
• Title: A Showcase of the Use of Autoencoders in Feature Learning Applications
• Title（参考訳）: 機能学習アプリケーションにおけるオートエンコーダの使用例
• Authors: David Charte, Francisco Charte, Mar\'ia J. del Jesus, Francisco Herrera
• Abstract要約: オートエンコーダは、人工ニューラルネットワークに基づくデータ表現学習のための技術である。 この作業では、これらのアプリケーションを示し、オートエンコーダの設計とトレーニングに簡単に使えるインターフェースを備えたRパッケージを使ったコードサンプルを含む、オートエンコーダの動作方法の詳細を提供する。
• 参考スコア（独自算出の注目度）: 11.329636084818778
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autoencoders are techniques for data representation learning based on artificial neural networks. Differently to other feature learning methods which may be focused on finding specific transformations of the feature space, they can be adapted to fulfill many purposes, such as data visualization, denoising, anomaly detection and semantic hashing. This work presents these applications and provides details on how autoencoders can perform them, including code samples making use of an R package with an easy-to-use interface for autoencoder design and training, \texttt{ruta}. Along the way, the explanations on how each learning task has been achieved are provided with the aim to help the reader design their own autoencoders for these or other objectives.
• Abstract（参考訳）: オートエンコーダは、ニューラルネットワークに基づくデータ表現学習のための技術である。 特徴空間の特定の変換を見つけることに焦点を当てた他の特徴学習方法とは異なり、データ可視化、デノナイズ、異常検出、セマンティックハッシュといった多くの目的に適応することができる。 この本は、これらのアプリケーションを示し、オートエンコーダの設計とトレーニングに使いやすいインターフェイスを持つrパッケージを使ったコードサンプル、 \texttt{ruta}を含む、オートエンコーダがそれらをどのように実行するかの詳細を提供する。 その過程で、各学習課題の達成方法の説明が提供され、読者がこれらの目的や他の目的のために独自のオートエンコーダを設計するのを助ける。

関連論文リスト

• Creating a Trajectory for Code Writing: Algorithmic Reasoning Tasks [0.923607423080658]
  本稿では,楽器とその検証に用いる機械学習モデルについて述べる。 我々は,学期最後の週に導入プログラミングコースで収集したデータを用いてきた。 先行研究は、ARTタイプの楽器を特定の機械学習モデルと組み合わせて効果的な学習軌道として機能させることができることを示唆している。
  論文  参考訳（メタデータ） (2024-04-03T05:07:01Z)
• Fusing Climate Data Products using a Spatially Varying Autoencoder [0.5825410941577593]
  本研究は、同定可能かつ解釈可能なオートエンコーダの作成に焦点を当てる。 提案するオートエンコーダはベイズ統計フレームワークを利用する。 本研究では,高山地域の降水産物からの情報を組み合わせることで,オートエンコーダの有用性を実証する。
  論文  参考訳（メタデータ） (2024-03-12T17:03:07Z)
• Triple-Encoders: Representations That Fire Together, Wire Together [51.15206713482718]
  コントラスト学習(Contrastive Learning)は、バイエンコーダを介して発話間の相対距離を埋め込み空間に符号化する表現学習法である。 本研究では,これら独立に符号化された発話から分散発話混合物を効率よく計算する三重エンコーダを提案する。 トリプルエンコーダはバイエンコーダよりも大幅に改善され、シングルベクトル表現モデルよりもゼロショットの一般化が向上することがわかった。
  論文  参考訳（メタデータ） (2024-02-19T18:06:02Z)
• Improving Deep Representation Learning via Auxiliary Learnable Target Coding [69.79343510578877]
  本稿では,深層表現学習の補助的正規化として,新たな学習対象符号化を提案する。 具体的には、より差別的な表現を促進するために、マージンベースの三重項損失と、提案した目標符号上の相関整合損失を設計する。
  論文  参考訳（メタデータ） (2023-05-30T01:38:54Z)
• A Study of Autoregressive Decoders for Multi-Tasking in Computer Vision [93.90545426665999]
  マルチモーダルコンピュータビジョンにおけるマルチタスク学習のための自動回帰デコーダについて詳しく検討する。 鍵となる発見は、凍結した事前訓練されたエンコーダの上で学んだ小さなデコーダが驚くほどうまく機能していることである。 これはデコーダに自然言語で事前訓練された視覚モデルと対話するように教えるものであると見なすことができる。
  論文  参考訳（メタデータ） (2023-03-30T13:42:58Z)
• KRNet: Towards Efficient Knowledge Replay [50.315451023983805]
  知識再生技術は、継続的な学習や連続的なドメイン適応といった多くのタスクで広く使われている。 本稿では,任意のサンプル識別番号を直接対応するダタムにマッピングする,新規で効率的な知識記録ネットワーク(KRNet)を提案する。 我々のKRNetは、潜在コードに対するストレージコストを著しく削減し、エンコーダのサブネットワークを使わずにトレーニングできる。
  論文  参考訳（メタデータ） (2022-05-23T08:34:17Z)
• Video Exploration via Video-Specific Autoencoders [60.256055890647595]
  ヒト制御可能なビデオ探索を可能にするビデオ固有オートエンコーダを提案する。 特定のビデオの複数のフレームで訓練された単純なオートエンコーダは、さまざまなビデオ処理および編集タスクを実行できることを観察します。
  論文  参考訳（メタデータ） (2021-03-31T17:56:13Z)
• Training Stacked Denoising Autoencoders for Representation Learning [0.0]
  高次元データの強力な表現を学習できるニューラルネットワークのクラスであるstacked autoencoderを実装した。 本稿では,自動エンコーダの教師なし学習のための勾配降下と,勾配情報を利用した新しい遺伝的アルゴリズムに基づくアプローチについて述べる。
  論文  参考訳（メタデータ） (2021-02-16T08:18:22Z)
• Feature Learning for Accelerometer based Gait Recognition [0.0]
  オートエンコーダは、特徴学習能力に関して、差別的なエンドツーエンドモデルに非常に近い。 完全な畳み込みモデルは 訓練戦略に関係なく 優れた特徴表現を学べます
  論文  参考訳（メタデータ） (2020-07-31T10:58:01Z)
• An analysis on the use of autoencoders for representation learning: fundamentals, learning task case studies, explainability and challenges [11.329636084818778]
  多くの機械学習タスクでは、データの優れた表現を学ぶことが、優れたパフォーマンスのソリューションを構築するための鍵となる。 可視化のためのデータ埋め込み,画像認識,セマンティックハッシュ,異常行動の検出,インスタンス生成など,一連の学習課題を提示する。 オートエンコーダを唯一の学習方法として用いた各タスクに対して,解を提案する。
  論文  参考訳（メタデータ） (2020-05-21T08:41:57Z)
• Learning Autoencoders with Relational Regularization [89.53065887608088]
  データ分散のオートエンコーダを学習するための新しいフレームワークを提案する。 エンフレレーショナル正規化によるモデルと対象分布の差を最小限にする 我々はこのフレームワークを2つのスケーラブルアルゴリズムで実装し、確率的および決定論的オートエンコーダの両方に適用する。
  論文  参考訳（メタデータ） (2020-02-07T17:27:30Z)

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。