論文の概要: SoftFlow: Probabilistic Framework for Normalizing Flow on Manifolds
- arxiv url: http://arxiv.org/abs/2006.04604v4
- Date: Sun, 15 Nov 2020 11:18:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 01:18:39.667309
- Title: SoftFlow: Probabilistic Framework for Normalizing Flow on Manifolds
- Title(参考訳): SoftFlow: マニフォールドフローの正規化のための確率的フレームワーク
- Authors: Hyeongju Kim, Hyeonseung Lee, Woo Hyun Kang, Joun Yeop Lee, Nam Soo
Kim
- Abstract要約: フローベース生成モデルは、同じ次元の2つのランダム変数間の可逆変換からなる。
本論文では,多様体上の正規化フローを学習するための確率的フレームワークであるSoftFlowを提案する。
実験により,SoftFlowは多様体データの固有構造を捕捉し,高品質なサンプルを生成することができることを示した。
提案手法を3次元点雲に適用することにより,フローベースモデルにおける細い構造形成の難しさを軽減する。
- 参考スコア(独自算出の注目度): 15.476426879806134
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Flow-based generative models are composed of invertible transformations
between two random variables of the same dimension. Therefore, flow-based
models cannot be adequately trained if the dimension of the data distribution
does not match that of the underlying target distribution. In this paper, we
propose SoftFlow, a probabilistic framework for training normalizing flows on
manifolds. To sidestep the dimension mismatch problem, SoftFlow estimates a
conditional distribution of the perturbed input data instead of learning the
data distribution directly. We experimentally show that SoftFlow can capture
the innate structure of the manifold data and generate high-quality samples
unlike the conventional flow-based models. Furthermore, we apply the proposed
framework to 3D point clouds to alleviate the difficulty of forming thin
structures for flow-based models. The proposed model for 3D point clouds,
namely SoftPointFlow, can estimate the distribution of various shapes more
accurately and achieves state-of-the-art performance in point cloud generation.
- Abstract(参考訳): フローベース生成モデルは、同じ次元の2つのランダム変数間の可逆変換からなる。
したがって、データ分布の次元が基礎となるターゲット分布の次元と一致しない場合、フローベースモデルは適切に訓練できない。
本論文では,多様体上のフローを正規化するための確率的フレームワークであるSoftFlowを提案する。
次元ミスマッチ問題を回避するため、softflowはデータ分布を直接学習するのではなく、摂動入力データの条件分布を推定する。
実験により,SoftFlowは従来のフローベースモデルとは異なり,多様体データの固有構造を捕捉し,高品質なサンプルを生成することができることを示した。
さらに,フローベースモデルにおける細い構造形成の難しさを軽減するため,提案手法を3次元点雲に適用した。
提案した3Dポイントクラウドモデル、すなわちSoftPointFlowは、様々な形状の分布をより正確に推定し、ポイントクラウド生成における最先端の性能を達成する。
関連論文リスト
- PaddingFlow: Improving Normalizing Flows with Padding-Dimensional Noise [4.762593660623934]
パディングフロー(PaddingFlow)は,パディング次元雑音による正規化フローを改善する新しいデクエント化法である。
非条件密度推定の主ベンチマークで本手法の有効性を検証した。
この結果から,PaddingFlowはすべての実験において優れた性能を発揮できることがわかった。
論文 参考訳(メタデータ) (2024-03-13T03:28:39Z) - Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。
特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文 参考訳(メタデータ) (2023-11-22T15:07:59Z) - Diffusion models for probabilistic programming [56.47577824219207]
拡散モデル変分推論(DMVI)は確率型プログラミング言語(PPL)における自動近似推論手法である
DMVIは実装が容易で、例えば正規化フローを用いた変分推論の欠点を伴わずに、PPLでヘイズルフリー推論が可能であり、基礎となるニューラルネットワークモデルに制約を課さない。
論文 参考訳(メタデータ) (2023-11-01T12:17:05Z) - ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。
摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。
最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文 参考訳(メタデータ) (2022-08-18T16:07:59Z) - VQ-Flows: Vector Quantized Local Normalizing Flows [2.7998963147546148]
データ多様体上の「チャートマップ」として局所正規化フローの混合を学習するための新しい統計フレームワークを導入する。
本フレームワークは, 正規化フローのシグネチャ特性を保ちながら, 最近の手法の表現性を向上し, 正確な密度評価を行う。
論文 参考訳(メタデータ) (2022-03-22T09:22:18Z) - Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
アイソメトリーを用いて、多様体学習と密度推定を分離する。
また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
論文 参考訳(メタデータ) (2022-03-08T08:57:43Z) - Discrete Denoising Flows [87.44537620217673]
分類的確率変数に対する離散的フローベースモデル(DDF)を提案する。
他の離散フローベースモデルとは対照的に、我々のモデルは勾配バイアスを導入することなく局所的に訓練することができる。
そこで本研究では, DDFs が離散フローより優れていることを示し, 対数類似度で測定した2値MNIST と Cityscapes のセグメンテーションマップをモデル化した。
論文 参考訳(メタデータ) (2021-07-24T14:47:22Z) - Tractable Density Estimation on Learned Manifolds with Conformal
Embedding Flows [0.0]
正規化フローは、単純な基底分布を複素対象分布に変換することにより、トラクタブル密度推定を提供する。
この問題を治療するための最近の試みは、正確な密度推定という、フローを正規化するという中心的な利益を損なう幾何学的な合併症を導入している。
我々は、訓練可能な共形埋め込みで標準流れを構成することが、多様体が支持するデータをモデル化する最も自然な方法であると主張する。
論文 参考訳(メタデータ) (2021-06-09T18:00:00Z) - Closing the Dequantization Gap: PixelCNN as a Single-Layer Flow [16.41460104376002]
有限体積を変換し、離散データに対する確率の正確な計算を可能にするサブセットフローを導入する。
我々は、WaveNets、PixelCNNs、Transformersを含む通常の離散自己回帰モデルを単層フローとして識別する。
我々は, CIFAR-10 を用いて, 脱量子化を訓練した流れモデルについて, 実測結果を示す。
論文 参考訳(メタデータ) (2020-02-06T22:58:51Z) - Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。
我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文 参考訳(メタデータ) (2019-12-30T17:36:33Z)
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。