論文の概要: End-to-end Sinkhorn Autoencoder with Noise Generator

• arxiv url: http://arxiv.org/abs/2006.06704v1
• Date: Thu, 11 Jun 2020 18:04:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 12:40:31.895226
• Title: End-to-end Sinkhorn Autoencoder with Noise Generator
• Title（参考訳）: ノイズ発生器付きエンド・ツー・エンドシンクホーンオートエンコーダ
• Authors: Kamil Deja, Jan Dubi\'nski, Piotr Nowak, Sandro Wenzel, Tomasz Trzci\'nski
• Abstract要約: 本稿では,効率的なデータ収集シミュレーションのためのノイズ発生器を備えた新しいエンド・ツー・エンドのシンクホーンオートエンコーダを提案する。 提案手法は,LHCにおけるALICE実験のZero Degree Calorimetersによるシミュレーションデータの挑戦的データセットにおいて,競合するアプローチよりも優れていた。
• 参考スコア（独自算出の注目度）: 10.008055997630304
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we propose a novel end-to-end sinkhorn autoencoder with noise generator for efficient data collection simulation. Simulating processes that aim at collecting experimental data is crucial for multiple real-life applications, including nuclear medicine, astronomy and high energy physics. Contemporary methods, such as Monte Carlo algorithms, provide high-fidelity results at a price of high computational cost. Multiple attempts are taken to reduce this burden, e.g. using generative approaches based on Generative Adversarial Networks or Variational Autoencoders. Although such methods are much faster, they are often unstable in training and do not allow sampling from an entire data distribution. To address these shortcomings, we introduce a novel method dubbed end-to-end Sinkhorn Autoencoder, that leverages sinkhorn algorithm to explicitly align distribution of encoded real data examples and generated noise. More precisely, we extend autoencoder architecture by adding a deterministic neural network trained to map noise from a known distribution onto autoencoder latent space representing data distribution. We optimise the entire model jointly. Our method outperforms competing approaches on a challenging dataset of simulation data from Zero Degree Calorimeters of ALICE experiment in LHC. as well as standard benchmarks, such as MNIST and CelebA.
• Abstract（参考訳）: 本研究では,効率的なデータ収集シミュレーションのために,ノイズ発生器を備えた新しいエンドツーエンドシンクホーンオートエンコーダを提案する。 実験データ収集を目的としたプロセスをシミュレートすることは、核医学、天文学、高エネルギー物理学を含む複数の実生活応用に不可欠である。 モンテカルロアルゴリズムのような現代の手法は、計算コストの高い価格で高忠実度結果を提供する。 例えば、ジェネレーティブ・アドバイサル・ネットワーク(Generative Adversarial Networks)や変分オートエンコーダ(Variational Autoencoder)に基づく生成的アプローチを使用する。 このような方法ははるかに高速だが、トレーニングでは不安定であり、データ分散全体のサンプリングを許可しないことが多い。 このような欠点に対処するために,我々は,エンコードされた実データ例と生成されたノイズの分布を,シンクホーンアルゴリズムを用いて明示的に調整する,エンド・ツー・エンドのシンクホーンオートエンコーダという新しい手法を導入する。 より正確には、既知の分布からのノイズをデータ分布を表すオートエンコーダ潜在空間にマッピングするよう訓練された決定論的ニューラルネットワークを追加することで、オートエンコーダアーキテクチャを拡張する。 モデル全体を共同で最適化する。 提案手法は,LHCにおけるALICE実験のZero Degree Calorimetersによるシミュレーションデータの挑戦的データセットにおいて,競合するアプローチよりも優れている。 MNISTやCelebAといった標準ベンチマークと同様に。

関連論文リスト

• Collaborative Edge AI Inference over Cloud-RAN [37.3710464868215]
  クラウド無線アクセスネットワーク(Cloud-RAN)ベースの協調エッジAI推論アーキテクチャを提案する。 具体的には、地理的に分散したデバイスが、リアルタイムのノイズ破壊センサデータサンプルをキャプチャし、ノイズの多い局所特徴ベクトルを抽出する。 我々は,各RRHが同一リソースブロック上の全デバイスから局所的特徴ベクトルを同時に受信することを可能にする。 これらの集約された特徴ベクトルは量子化され、さらに集約および下流推論タスクのために中央プロセッサに送信される。
  論文  参考訳（メタデータ） (2024-04-09T04:26:16Z)
• Learning Nonparametric High-Dimensional Generative Models: The Empirical-Beta-Copula Autoencoder [1.5714999163044752]
  自動エンコーダの潜伏空間を、サンプルが得られる分布でモデル化する必要がある。 本研究の目的は,潜伏空間を捕捉する様々な手法を議論し,評価し,比較することである。
  論文  参考訳（メタデータ） (2023-09-18T16:29:36Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• Hierarchical Attention Encoder Decoder [2.4366811507669115]
  自己回帰モデリングは、多くの実世界の応用を持つ複雑で斬新なシーケンスを生成することができる。 これらのモデルはアウトプットを自動回帰的に生成しなければなりません。 階層型リカレントデコーダアーキテクチャに基づくモデルを提案する。
  論文  参考訳（メタデータ） (2023-06-01T18:17:23Z)
• Anomaly Detection with Ensemble of Encoder and Decoder [2.8199078343161266]
  電力網における異常検出は、電力系統に対するサイバー攻撃による異常を検出し、識別することを目的としている。 本稿では,複数のエンコーダとデコーダを用いて正規サンプルのデータ分布をモデル化し,新しい異常検出手法を提案する。 ネットワーク侵入と電力系統データセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-11T15:49:29Z)
• Score-based Diffusion Models in Function Space [140.792362459734]
  拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。 本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。 データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
  論文  参考訳（メタデータ） (2023-02-14T23:50:53Z)
• Bayesian autoencoders for data-driven discovery of coordinates, governing equations and fundamental constants [3.60425753550939]
  ビデオフレームのシミュレーションには, オートエンコーダによる非線形ダイナミクスのスパース同定(SINDy)を適用することができる。 本稿では,ベイジアン・オートエンコーダを提案する。ベイジアン・オートエンコーダには,階層型ベイジアン・スプリット・ガウシアン・ラッソ(Spike-and-slab Gaussian Lasso)が組み込まれている。 SINDyオートエンコーダは、実際のビデオデータに適用することができ、正確な物理発見により、支配方程式を正しく識別することができる。
  論文  参考訳（メタデータ） (2022-11-19T03:29:01Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Decision Forest Based EMG Signal Classification with Low Volume Dataset Augmented with Random Variance Gaussian Noise [51.76329821186873]
  我々は6種類の手振りを限定的なサンプル数で分類できるモデルを作成し、より広い聴衆によく一般化する。 信号のランダムなバウンドの使用など、より基本的な手法のセットにアピールするが、これらの手法がオンライン環境で持てる力を示したいと考えている。
  論文  参考訳（メタデータ） (2022-06-29T23:22:18Z)
• Learning Summary Statistics for Bayesian Inference with Autoencoders [58.720142291102135]
  我々は,ディープニューラルネットワークに基づくオートエンコーダの内部次元を要約統計として利用する。 パラメータ関連情報を全て符号化するエンコーダのインセンティブを作成するため,トレーニングデータの生成に使用した暗黙的情報にデコーダがアクセスできるようにする。
  論文  参考訳（メタデータ） (2022-01-28T12:00:31Z)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)

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。