論文の概要: Gradient Origin Networks

• arxiv url: http://arxiv.org/abs/2007.02798v5
• Date: Wed, 24 Mar 2021 14:15:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-13 02:01:46.781769
• Title: Gradient Origin Networks
• Title（参考訳）: グラディエントオリジンネットワーク
• Authors: Sam Bond-Taylor and Chris G. Willcocks
• Abstract要約: 本稿では,エンコーダを使わずに潜在表現を素早く学習できる新しい生成モデルを提案する。 実験により,提案手法は自己エンコーダよりも高速に収束し,パラメータの半分を必要としながら再構成誤差が著しく低いことがわかった。
• 参考スコア（独自算出の注目度）: 8.952627620898074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a new type of generative model that is able to quickly learn a latent representation without an encoder. This is achieved using empirical Bayes to calculate the expectation of the posterior, which is implemented by initialising a latent vector with zeros, then using the gradient of the log-likelihood of the data with respect to this zero vector as new latent points. The approach has similar characteristics to autoencoders, but with a simpler architecture, and is demonstrated in a variational autoencoder equivalent that permits sampling. This also allows implicit representation networks to learn a space of implicit functions without requiring a hypernetwork, retaining their representation advantages across datasets. The experiments show that the proposed method converges faster, with significantly lower reconstruction error than autoencoders, while requiring half the parameters.
• Abstract（参考訳）: 本稿では,エンコーダを使わずに潜在表現を素早く学習できる新しい生成モデルを提案する。 これは実験的なベイズを用いて、ゼロの潜伏ベクトルを初期化して実装した後続ベクトルの期待値を計算し、次にこの零点に対するデータの対数的勾配を新しい潜伏点として利用する。 このアプローチはオートエンコーダと同様の特性を持つが、より単純なアーキテクチャを備えており、サンプリングを許容する変分オートエンコーダ等価性で実証されている。 これにより、暗黙の表現ネットワークはハイパーネットワークを必要とせずに暗黙の関数の空間を学習し、データセット間の表現優位性を維持することができる。 実験により,提案手法はオートエンコーダよりもかなり低い再構成誤差で収束し,パラメータの半分が必要となった。

関連論文リスト

• A Self-Encoder for Learning Nearest Neighbors [5.297261090056809]
  自己エンコーダは、データサンプルを埋め込み空間に分散して、互いに線形に分離できるように学習する。 通常の隣人とは異なり、このデータの符号化による予測は、あらゆる機能のスケーリングに不変である。
  論文  参考訳（メタデータ） (2023-06-25T14:30:31Z)
• Autoencoding for the 'Good Dictionary' of eigen pairs of the Koopman Operator [0.0]
  本論文では,深層学習手法であるディープオートエンコーダを用いて,コープマン固有ベクトルの計算に先立って,生データ上に非線形な幾何変換を行う。 高次元時系列データを扱うために、Takesの時間遅延埋め込みを前処理技術として提示する。
  論文  参考訳（メタデータ） (2023-06-08T14:21:01Z)
• 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)
• Large-Margin Representation Learning for Texture Classification [67.94823375350433]
  本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。 テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
  論文  参考訳（メタデータ） (2022-06-17T04:07:45Z)
• Variable Bitrate Neural Fields [75.24672452527795]
  本稿では,特徴格子を圧縮し,メモリ消費を最大100倍に削減する辞書手法を提案する。 辞書の最適化をベクトル量子化オートデコーダ問題として定式化し、直接監督できない空間において、エンドツーエンドの離散神経表現を学習する。
  論文  参考訳（メタデータ） (2022-06-15T17:58:34Z)
• Out-of-distribution Detection and Generation using Soft Brownian Offset Sampling and Autoencoders [1.313418334200599]
  ディープニューラルネットワークは、分散検出の改善によって部分的に修復される過信に苦しむことが多い。 本稿では,所定の分布内データセットに基づいて分散外データセットを生成できる新しい手法を提案する。 この新しいデータセットは、与えられたデータセットと機械学習タスクの配信外検出を改善するために使用できる。
  論文  参考訳（メタデータ） (2021-05-04T06:59:24Z)
• Neural BRDF Representation and Importance Sampling [79.84316447473873]
  本稿では,リフレクタンスBRDFデータのコンパクトニューラルネットワークに基づく表現について述べる。 BRDFを軽量ネットワークとしてエンコードし、適応角サンプリングによるトレーニングスキームを提案する。 複数の実世界のデータセットから等方性および異方性BRDFの符号化結果を評価する。
  論文  参考訳（メタデータ） (2021-02-11T12:00:24Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)
• MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
  ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。 形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
  論文  参考訳（メタデータ） (2020-06-17T05:14:53Z)

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。