論文の概要: Disentangling by Subspace Diffusion
- arxiv url: http://arxiv.org/abs/2006.12982v2
- Date: Wed, 18 Nov 2020 13:48:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-17 22:08:09.842333
- Title: Disentangling by Subspace Diffusion
- Title（参考訳）: 部分空間拡散による離間
- Authors: David Pfau, Irina Higgins, Aleksandar Botev and S\'ebastien
Racani\`ere
- Abstract要約: データ多様体の完全教師なし分解は、多様体の真の計量が知られている場合、可能であることを示す。
我々の研究は、教師なしメートル法学習が可能であるかどうかという問題を減らし、表現学習の幾何学的性質に関する統一的な洞察を提供する。
- 参考スコア（独自算出の注目度）: 72.1895236605335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present a novel nonparametric algorithm for symmetry-based disentangling
of data manifolds, the Geometric Manifold Component Estimator (GEOMANCER).
GEOMANCER provides a partial answer to the question posed by Higgins et al.
(2018): is it possible to learn how to factorize a Lie group solely from
observations of the orbit of an object it acts on? We show that fully
unsupervised factorization of a data manifold is possible if the true metric of
the manifold is known and each factor manifold has nontrivial holonomy -- for
example, rotation in 3D. Our algorithm works by estimating the subspaces that
are invariant under random walk diffusion, giving an approximation to the de
Rham decomposition from differential geometry. We demonstrate the efficacy of
GEOMANCER on several complex synthetic manifolds. Our work reduces the question
of whether unsupervised disentangling is possible to the question of whether
unsupervised metric learning is possible, providing a unifying insight into the
geometric nature of representation learning.
- Abstract（参考訳）: 本稿では,データ多様体の対称性に基づく解離のための新しい非パラメトリックアルゴリズム,Geometric Manifold Component Estimator (GEOMANCER)を提案する。
GEOMANCER は Higgins et al. (2018): 作用する物体の軌道の観測からのみリー群を分解する方法を学ぶことは可能か?
データ多様体の完全な教師なし因子分解は、多様体の真の計量が知られ、各因子多様体が非自明なホロノミー(例えば3dの回転)を持つ場合に可能である。
我々のアルゴリズムはランダムウォーク拡散の下で不変な部分空間を推定し、微分幾何学からド・ラム分解を近似する。
いくつかの複素合成多様体に対するGEOMANCERの有効性を示す。
本研究は,教師なし距離学習が可能かという問題に対して,教師なし距離学習が可能かという疑問を減らし,表現学習の幾何学的性質に関する統一的な洞察を与える。
関連論文リスト
- 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) - A Heat Diffusion Perspective on Geodesic Preserving Dimensionality
Reduction [66.21060114843202]
熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。
その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。
また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
論文 参考訳（メタデータ） (2023-05-30T13:58:50Z) - Toward a Geometric Theory of Manifold Untangling [12.229735866373073]
我々は、距離距離計量を人工的に定義することなく、位相空間において非自在な多様体に対するより一般的な解が存在すると推測する。
大域的多様体埋め込みと局所的多様体平坦化の両方の一般的な戦略を提示し、画像、音声、言語データのアンハングリングに関する既存の研究と結びつけた。
論文 参考訳（メタデータ） (2023-03-07T19:47:01Z) - Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。
我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文 参考訳（メタデータ） (2022-02-11T13:51:30Z) - Inferring Manifolds From Noisy Data Using Gaussian Processes [17.166283428199634]
ほとんどの既存の多様体学習アルゴリズムは、元のデータを低次元座標で置き換える。
本稿では,これらの問題に対処するための新しい手法を提案する。
論文 参考訳（メタデータ） (2021-10-14T15:50:38Z) - A Unifying and Canonical Description of Measure-Preserving Diffusions [60.59592461429012]
ユークリッド空間における測度保存拡散の完全なレシピは、最近、いくつかのMCMCアルゴリズムを単一のフレームワークに統合した。
我々は、この構成を任意の多様体に改善し一般化する幾何学理論を開発する。
論文 参考訳（メタデータ） (2021-05-06T17:36:55Z) - Learning disentangled representations via product manifold projection [10.677966716893762]
そこで本研究では,ある観測セットの根底にある変化の生成因子を解き放つ新しい手法を提案する。
我々の手法は、データ空間の下の(未知の)低次元多様体を、部分多様体の積として明示的にモデル化できるという考えに基づいている。
論文 参考訳（メタデータ） (2021-03-02T10:59:59Z) - Manifold Density Estimation via Generalized Dequantization [9.090451761951101]
ある種のデータは、その基礎となる幾何学がユークリッドであると仮定してよくモデル化されていない。
例えば、ある種のデータは球面上に存在することが知られているかもしれない。
そこで我々は,周辺ユークリッド空間の座標変換を通じて解釈する「量子化」に関する文献に触発された手法を提案する。
論文 参考訳（メタデータ） (2021-02-14T12:40:41Z) - 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) - Sample complexity and effective dimension for regression on manifolds [13.774258153124205]
ヒルベルト空間法を再現したカーネルを用いた多様体上の回帰理論を考える。
多様体上の滑らかな函数のある空間は、多様体次元に応じて拡大する複雑性を持つ実効有限次元であることが示される。
論文 参考訳（メタデータ） (2020-06-13T14:09:55Z)
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。