論文の概要: Capturing Label Characteristics in VAEs

• arxiv url: http://arxiv.org/abs/2006.10102v2
• Date: Sun, 20 Jun 2021 13:45:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 19:52:22.322537
• Title: Capturing Label Characteristics in VAEs
• Title（参考訳）: VAEにおけるラベル特性の捕捉
• Authors: Tom Joy, Sebastian M. Schmon, Philip H. S. Torr, N. Siddharth and Tom Rainforth
• Abstract要約: 本稿では,VAEにラベルを組み込むための原則的アプローチを提案する。 我々は,新たなVAEモデルであるCCVAEを開発し,ラベル特性を潜在空間で明示的にキャプチャする。
• 参考スコア（独自算出の注目度）: 88.82933548838521
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a principled approach to incorporating labels in VAEs that captures the rich characteristic information associated with those labels. While prior work has typically conflated these by learning latent variables that directly correspond to label values, we argue this is contrary to the intended effect of supervision in VAEs-capturing rich label characteristics with the latents. For example, we may want to capture the characteristics of a face that make it look young, rather than just the age of the person. To this end, we develop the CCVAE, a novel VAE model and concomitant variational objective which captures label characteristics explicitly in the latent space, eschewing direct correspondences between label values and latents. Through judicious structuring of mappings between such characteristic latents and labels, we show that the CCVAE can effectively learn meaningful representations of the characteristics of interest across a variety of supervision schemes. In particular, we show that the CCVAE allows for more effective and more general interventions to be performed, such as smooth traversals within the characteristics for a given label, diverse conditional generation, and transferring characteristics across datapoints.
• Abstract（参考訳）: 本稿では,これらのラベルに関連付けられたリッチな特徴情報をキャプチャするラベルをvaesに組み込むための原則的アプローチを提案する。 先行研究はラベル値に直接対応する潜在変数を学習することでこれらを和らげてきたが、vaes-capturing rich label characteristics with the latents における監視の効果とは逆であると主張する。 例えば、単に人の年齢ではなく、若く見えるような顔の特徴を捉えたいかもしれない。 そこで我々は,新しいVAEモデルであるCCVAEを開発し,ラベル特性を潜在空間内で明示的に捉え,ラベル値と潜在空間の直接対応を推定する。 CCVAEは,このような特徴のあるラベルとラベルのマッピングの司法的構造化を通じて,様々な監督スキームを通じて,興味のある特徴の有意義な表現を効果的に学習できることを示す。 特に,CCVAEは,与えられたラベルの特性内におけるスムーズなトラバーサル,多様な条件生成,データポイント間の特性の伝達など,より効果的で汎用的な介入を可能にすることを示す。

関連論文リスト

• CoA: Chain-of-Action for Generative Semantic Labels [5.016605351534376]
  CoA(Chain-of-Action)メソッドは、画像の文脈的に関連する特徴に沿ったラベルを生成する。 CoAは、豊かで価値のある文脈情報が推論時の生成性能を改善するという観察に基づいて設計されている。
  論文  参考訳（メタデータ） (2024-11-26T13:09:14Z)
• Self-Supervised Vision Transformers Are Efficient Segmentation Learners for Imperfect Labels [19.921140174384096]
  本研究では,自己教師型視覚変換器(SSVT)を用いたセマンティックセグメンテーションの費用対効果を示す。 SSVTバックボーンを凍結し,軽量セグメンテーションヘッドを訓練することにより,不完全ラベルを効果的に活用し,不完全ラベルの堅牢性を向上させる。
  論文  参考訳（メタデータ） (2024-01-23T07:24:16Z)
• Leaf Cultivar Identification via Prototype-enhanced Learning [16.554823962192486]
  植物葉の識別は生物多様性の保護と保全に不可欠である。 実際には、インスタンスは多種多様で様々な程度に関連づけられることがある。 ワンホットラベルでトレーニングされたディープラーニングメソッドは、カテゴリ間で共有されるパターンを反映しない。
  論文  参考訳（メタデータ） (2023-05-05T08:11:31Z)
• Exploiting Semantic Attributes for Transductive Zero-Shot Learning [97.61371730534258]
  ゼロショット学習は、視覚的特徴と、そのクラスから学んだ意味的属性の関係を一般化することにより、目に見えないクラスを認識することを目的としている。 本稿では,未知データの意味的属性を生成し,生成過程に付加する新しいZSL法を提案する。 5つの標準ベンチマーク実験により,本手法がゼロショット学習の最先端結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-03-17T09:09:48Z)
• Learning disentangled representations for explainable chest X-ray classification using Dirichlet VAEs [68.73427163074015]
  本研究では,胸部X線像の非絡み合った潜在表現の学習にDirVAE(Dirichlet Variational Autoencoder)を用いることを検討した。 DirVAEモデルにより学習された多モード潜在表現の予測能力について,補助的多ラベル分類タスクの実装により検討した。
  論文  参考訳（メタデータ） (2023-02-06T18:10:08Z)
• Identifiable Latent Causal Content for Domain Adaptation under Latent Covariate Shift [82.14087963690561]
  マルチソースドメイン適応(MSDA)は、ラベル付き対象ドメインのラベル予測関数を学習する際の課題に対処する。 本稿では,潜在コンテンツ変数と潜時スタイル変数とともに,ドメイン間の潜時雑音を導入し,複雑な因果生成モデルを提案する。 提案手法は、シミュレーションと実世界の両方のデータセットに対して、例外的な性能と有効性を示す。
  論文  参考訳（メタデータ） (2022-08-30T11:25:15Z)
• Spatial and Semantic Consistency Regularizations for Pedestrian Attribute Recognition [50.932864767867365]
  本稿では,各属性に対する空間的および意味的一貫性を実現するために,2つの相補的正規化からなるフレームワークを提案する。 属性の正確な位置に基づいて,本質的および識別的意味的特徴を抽出する意味的整合性正規化を提案する。 その結果,提案手法はパラメータを増大させることなく,最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2021-09-13T03:36:44Z)
• HOT-VAE: Learning High-Order Label Correlation for Multi-Label Classification via Attention-Based Variational Autoencoders [8.376771467488458]
  High-order Tie-in Variational Autoencoder (HOT-VAE) 形式ごとの適応的高階ラベル相関学習。 本モデルが鳥の分布データセット上で既存の最先端のアプローチを上回ることを実験的に検証した。
  論文  参考訳（メタデータ） (2021-03-09T04:30:28Z)
• Debiased Contrastive Learning [64.98602526764599]
  我々は,同ラベルデータポイントのサンプリングを補正する,偏りのあるコントラスト目的の開発を行う。 実証的に、提案する目的は、視覚、言語、強化学習ベンチマークにおける表現学習の最先端を一貫して上回る。
  論文  参考訳（メタデータ） (2020-07-01T04:25:24Z)

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。