論文の概要: Seq2Tens: An Efficient Representation of Sequences by Low-Rank Tensor Projections

• arxiv url: http://arxiv.org/abs/2006.07027v2
• Date: Fri, 30 Jul 2021 10:46:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 02:40:51.006666
• Title: Seq2Tens: An Efficient Representation of Sequences by Low-Rank Tensor Projections
• Title（参考訳）: Seq2Tens:低ランクテンソル射影によるシーケンスの効率的な表現
• Authors: Csaba Toth, Patric Bonnier, Harald Oberhauser
• Abstract要約: 時系列、ビデオ、テキストなどの時系列データは分析が難しい。 この中心にあるのは非可換性(英語版)であり、列の要素を並べ替えることがその意味を完全に変えることができるという意味でである。 このような依存を捉えるために、古典的な数学的対象、テンソル代数を用いる。
• 参考スコア（独自算出の注目度）: 11.580603875423408
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sequential data such as time series, video, or text can be challenging to analyse as the ordered structure gives rise to complex dependencies. At the heart of this is non-commutativity, in the sense that reordering the elements of a sequence can completely change its meaning. We use a classical mathematical object -- the tensor algebra -- to capture such dependencies. To address the innate computational complexity of high degree tensors, we use compositions of low-rank tensor projections. This yields modular and scalable building blocks for neural networks that give state-of-the-art performance on standard benchmarks such as multivariate time series classification and generative models for video.
• Abstract（参考訳）: 時系列、ビデオ、テキストなどのシーケンスデータは、順序付けられた構造が複雑な依存関係をもたらすため、分析することが難しい。 これは非可換性(non-commutativity)であり、配列の要素を再順序付けするという意味では、その意味を完全に変えることができる。 このような依存を捉えるために、古典的な数学的対象、テンソル代数を用いる。 高次テンソルの固有計算複雑性に対処するために、低ランクテンソル射影の合成を用いる。 これにより、多変量時系列分類やビデオ生成モデルといった標準ベンチマークで最先端のパフォーマンスを提供するニューラルネットワークのためのモジュラーでスケーラブルなビルディングブロックが得られる。

関連論文リスト

• The Tensor as an Informational Resource [1.3044677039636754]
  テンソル(英: tensor)は、データの保存、計算関係のエンコード、量子絡み合いの表現に使用できる数列である。 テンソル上の情報理論的に構築された事前順序の族を提案し、テンソルを互いに比較し、それらの間の変換の存在を評価する。
  論文  参考訳（メタデータ） (2023-11-03T18:47:39Z)
• Equivariance with Learned Canonicalization Functions [77.32483958400282]
  正規化を行うために小さなニューラルネットワークを学習することは、事前定義を使用することよりも優れていることを示す。 実験の結果,正準化関数の学習は多くのタスクで同変関数を学習する既存の手法と競合することがわかった。
  論文  参考訳（メタデータ） (2022-11-11T21:58:15Z)
• Temporally-Consistent Surface Reconstruction using Metrically-Consistent Atlases [131.50372468579067]
  そこで本稿では,時間変化点雲列から時間一貫性のある面列を復元する手法を提案する。 我々は、再構成された表面をニューラルネットワークによって計算されたアトラスとして表現し、フレーム間の対応性を確立することができる。 当社のアプローチは、いくつかの挑戦的なデータセットにおいて、最先端のものよりも優れています。
  論文  参考訳（メタデータ） (2021-11-12T17:48:25Z)
• Learning Algebraic Recombination for Compositional Generalization [71.78771157219428]
  合成一般化のための代数的組換え学習のためのエンドツーエンドニューラルモデルLeARを提案する。 主要な洞察は、意味解析タスクを潜在構文代数学と意味代数学の間の準同型としてモデル化することである。 2つの現実的・包括的構成一般化の実験は、我々のモデルの有効性を実証している。
  論文  参考訳（メタデータ） (2021-07-14T07:23:46Z)
• Tensor Representations for Action Recognition [54.710267354274194]
  シーケンスにおける人間の行動は、空間的特徴とその時間的ダイナミクスの複雑な相互作用によって特徴づけられる。 アクション認識タスクの視覚的特徴間の高次関係を捉えるための新しいテンソル表現を提案する。 我々は,高次テンソルといわゆる固有値パワー正規化(NEP)を用いて,高次事象のスペクトル検出を行う。
  論文  参考訳（メタデータ） (2020-12-28T17:27:18Z)
• Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
  本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。 これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。 この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2020-02-21T05:00:01Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)

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。