Fugu-MT 論文翻訳(概要): Ordering Dimensions with Nested Dropout Normalizing Flows

論文の概要: Ordering Dimensions with Nested Dropout Normalizing Flows

arxiv url: http://arxiv.org/abs/2006.08777v1
Date: Mon, 15 Jun 2020 21:23:24 GMT
ステータス: 翻訳完了
システム内更新日: 2022-11-21 03:23:20.107835
Title: Ordering Dimensions with Nested Dropout Normalizing Flows
Title（参考訳）: ネストド・ドロップアウト正規化流れを伴う秩序次元
Authors: Artur Bekasov, Iain Murray
Abstract要約: 正規化フローの潜在空間は、出力空間と同じ次元でなければならない。データ空間でフルサポートされたフローを、順序付き潜在変数で検討する。フローのパラメータ化に応じて,フロー可能性と順序付けの品質のトレードオフについて述べる。
参考スコア（独自算出の注目度）: 11.439710360944243
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The latent space of normalizing flows must be of the same dimensionality as their output space. This constraint presents a problem if we want to learn low-dimensional, semantically meaningful representations. Recent work has provided compact representations by fitting flows constrained to manifolds, but hasn't defined a density off that manifold. In this work we consider flows with full support in data space, but with ordered latent variables. Like in PCA, the leading latent dimensions define a sequence of manifolds that lie close to the data. We note a trade-off between the flow likelihood and the quality of the ordering, depending on the parameterization of the flow.
Abstract（参考訳）: 正規化フローの潜在空間は、出力空間と同じ次元でなければならない。この制約は、低次元、意味論的意味のある表現を学習したい場合に問題となる。近年の研究は、多様体に制約された流れをフィッティングすることでコンパクト表現を提供してきたが、その多様体の密度を定義していない。この作業では、データ空間をフルサポートするフローを、順序付き潜在変数で検討する。 PCA と同様に、主潜在次元はデータに近い多様体の列を定義する。フローのパラメータ化によって,フロー可能性と順序の質との間にトレードオフがあることに留意する。

関連論文リスト

RecTok: Reconstruction Distillation along Rectified Flow [85.51292475005151]
本稿では2つの重要な革新を通じて高次元視覚トークン化の限界を克服するRecTokを提案する。提案手法は,VFMにおける意味情報を,フローマッチングにおける前方流路に抽出する。我々のRecTokは画像再構成、生成品質、識別性能に優れています。
論文参考訳（メタデータ） (2025-12-15T15:14:20Z)
Be Tangential to Manifold: Discovering Riemannian Metric for Diffusion Models [13.063093054280946]
拡散モデルは、高忠実で多様なコンテンツを生成する強力な深層生成モデル(DGM)である。古典的DGMとは違って、データ多様体をパラメータ化する明示的かつトラクタブルな低次元潜在空間は欠如している。スコア関数のヤコビアンが局所データ多様体への接空間を捉えるという最近の発見に触発された、ノイズ空間に関する新しい計量を提案する。
論文参考訳（メタデータ） (2025-10-07T01:54:47Z)
Align Your Tangent: Training Better Consistency Models via Manifold-Aligned Tangents [55.43139356528315]
一貫性モデル(CM)は、フロー常微分方程式の軌跡に一貫性があるように訓練される。 CMは典型的には、競争力のあるサンプルの品質を得るために、大きなバッチサイズで長期のトレーニングを必要とする。本稿では,データ多様体に向いた多様体整列接点を提供する,MFDと呼ばれる新しい損失関数を提案する。
論文参考訳（メタデータ） (2025-10-01T08:35:18Z)
Proper Latent Decomposition [4.266376725904727]
内在座標(相対空間)の減少を計算し、数値的な離散化よりも自由度が低い流れを正確に記述する。提案手法では,多様体上でPLDを実行するアルゴリズムを提案する。この研究は、オートエンコーダと潜在空間の分析、非線形低次モデリング、高次元データの構造に関する科学的洞察の機会を開放する。
論文参考訳（メタデータ） (2024-12-01T12:19:08Z)
Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文参考訳（メタデータ） (2023-10-30T21:27:53Z)
Implicit Manifold Gaussian Process Regression [49.0787777751317]
ガウス過程の回帰は、よく校正された不確実性推定を提供するために広く用いられている。これは、データが実際に存在する暗黙の低次元多様体のため、高次元データに苦しむ。本稿では,データ(ラベル付きおよびラベルなし)から直接暗黙構造を完全に微分可能な方法で推定できる手法を提案する。
論文参考訳（メタデータ） (2023-10-30T09:52:48Z)
Canonical normalizing flows for manifold learning [14.377143992248222]
そこで本研究では,新しい目的によって変換行列を強制し,顕著で非退化的な基底関数をほとんど持たない正準多様体学習フロー法を提案する。正準多様体の流れは潜在空間をより効率的に利用し、データを表現するために顕著で異なる次元を自動生成する。
論文参考訳（メタデータ） (2023-10-19T13:48:05Z)
Convolutional Filtering on Sampled Manifolds [122.06927400759021]
サンプル多様体上の畳み込みフィルタリングは連続多様体フィルタリングに収束することを示す。本研究は,ナビゲーション制御の問題点を実証的に明らかにした。
論文参考訳（メタデータ） (2022-11-20T19:09:50Z)
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)
Joint Manifold Learning and Density Estimation Using Normalizing Flows [4.939777212813711]
問題に答えるために,1ピクセルあたりのペナル化と階層的トレーニングという2つのアプローチを導入する。そこで本稿では,変換された空間をアンタングル化することで,共同多様体学習と密度推定を行う一段階法を提案する。その結果, 共用多様体学習と密度推定において, 提案手法の優位性を検証した。
論文参考訳（メタデータ） (2022-06-07T13:35:14Z)
Differential Privacy Over Riemannian Manifolds [9.453554184019108]
多様体上の固有距離と体積を利用するLaplace あるいは K-norm 機構の拡張について述べる。我々は、我々の機構が速度最適であり、多様体の次元にのみ依存し、どんな周囲空間の次元にも依存しないことを示した。
論文参考訳（メタデータ） (2021-11-03T20:43:54Z)
Flow Based Models For Manifold Data [11.344428134774475]
フローベース生成モデルは一般に、観測空間と同一の次元を持つ潜在空間を定義する。多くの問題において、データはそれらが常駐する全周囲データ空間を浮き彫りにせず、むしろ低次元多様体である。サンプル生成と表現品質の両方に利益をもたらす多様体を事前に学習することを提案する。
論文参考訳（メタデータ） (2021-09-29T06:48:01Z)
Manifold Learning via Manifold Deflation [105.7418091051558]
次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
論文参考訳（メタデータ） (2020-07-07T10:04:28Z)
Normalizing Flows Across Dimensions [10.21537170623373]
我々は、次元をまたぐことができる正規化フローの一般化であるノイズ注入流(NIF)を導入する。 NIF は射影変換を用いて高次元データ空間内の学習可能な多様体にラテント空間を明示的にマッピングする。実験により,本手法を既存のフローアーキテクチャに適用することにより,サンプルの品質を著しく向上し,分離可能なデータ埋め込みが得られることを示す。
論文参考訳（メタデータ） (2020-06-23T14:47:18Z)
Assignment Flows for Data Labeling on Graphs: Convergence and Stability [69.68068088508505]
本稿では、連続時間割当フローを積分代入(ラベル)に収束させることを保証する重みパラメータの条件を確立する。いくつかの反例は、条件違反は、文脈データ分類に関する代入フローの好ましくない振る舞いを伴う可能性があることを示している。
論文参考訳（メタデータ） (2020-02-26T15:45:38Z)

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。