論文の概要: Failure Modes of Variational Autoencoders and Their Effects on
Downstream Tasks
- arxiv url: http://arxiv.org/abs/2007.07124v4
- Date: Tue, 15 Mar 2022 22:11:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 13:48:41.963562
- Title: Failure Modes of Variational Autoencoders and Their Effects on
Downstream Tasks
- Title(参考訳): 変分オートエンコーダの故障モードと下流作業への影響
- Authors: Yaniv Yacoby, Weiwei Pan, Finale Doshi-Velez
- Abstract要約: 変分自動エンコーダ(VAEs)は、多くの下流タスクで広く使われている、深部生成潜在変数モデルである。
本稿では、VAEトレーニングが病態を示し、これらの障害モードを特定の下流タスクに対する望ましくない影響に結びつける条件について述べる。
- 参考スコア(独自算出の注目度): 28.36260646471421
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Variational Auto-encoders (VAEs) are deep generative latent variable models
that are widely used for a number of downstream tasks. While it has been
demonstrated that VAE training can suffer from a number of pathologies,
existing literature lacks characterizations of exactly when these pathologies
occur and how they impact downstream task performance. In this paper, we
concretely characterize conditions under which VAE training exhibits
pathologies and connect these failure modes to undesirable effects on specific
downstream tasks, such as learning compressed and disentangled representations,
adversarial robustness, and semi-supervised learning.
- Abstract(参考訳): 変分自動エンコーダ(VAEs)は、多くの下流タスクで広く使われている、深部生成潜在変数モデルである。
VAEトレーニングが多くの病理に悩まされることは実証されているが、既存の文献では、これらの病理の発生時期と、それが下流のタスクパフォーマンスに与える影響について、正確には特徴づけられていない。
本稿では,vae訓練が病理を呈する条件を具体化し,これらの障害モードを,圧縮・不等角表現の学習,逆ロバスト性,半教師付き学習といった下流タスクに好ましくない影響に結びつける。
関連論文リスト
- Identifying and Mitigating Model Failures through Few-shot CLIP-aided
Diffusion Generation [65.268245109828]
本稿では,突発的相関に付随する障害モードのテキスト記述を生成するためのエンドツーエンドフレームワークを提案する。
これらの記述は拡散モデルのような生成モデルを用いて合成データを生成するのに使うことができる。
本実験では, ハードサブポピュレーションの精度(sim textbf21%$)が著しく向上した。
論文 参考訳(メタデータ) (2023-12-09T04:43:49Z) - Uncovering the Hidden Cost of Model Compression [49.937417635812025]
視覚プロンプティング (VP) はコンピュータビジョンにおいて重要な伝達学習手法として登場した。
モデル間隔は視覚的プロンプトベース転送の性能に悪影響を及ぼす。
以上の結果から,疎度が下流視覚刺激モデルの校正に及ぼす影響が示唆された。
論文 参考訳(メタデータ) (2023-08-29T01:47:49Z) - Robustness and Generalization Performance of Deep Learning Models on
Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。
我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文 参考訳(メタデータ) (2023-06-13T12:43:59Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳(メタデータ) (2022-06-16T17:59:05Z) - Stabilizing Adversarially Learned One-Class Novelty Detection Using
Pseudo Anomalies [22.48845887819345]
異常スコアは、逆学習されたジェネレータの再構成損失と/または識別器の分類損失を用いて定式化されている。
トレーニングデータにおける異常な例の有効性は、そのようなネットワークの最適化を困難にしている。
本研究では,判別器の基本的役割を,実データと偽データとの識別から,良質データと悪質データとの区別に転換することで,そのような不安定性を克服する堅牢な異常検出フレームワークを提案する。
論文 参考訳(メタデータ) (2022-03-25T15:37:52Z) - The Effect of the Loss on Generalization: Empirical Study on Synthetic
Lung Nodule Data [13.376247652484274]
異なる損失関数が学習される特徴に結びつき、その結果、未確認データに対する分類器の一般化能力に影響を及ぼすことを示す。
本研究は、医用画像処理タスクのためのディープラーニングソリューションの設計に関する重要な知見を提供する。
論文 参考訳(メタデータ) (2021-08-10T17:58:01Z) - An Active Learning Method for Diabetic Retinopathy Classification with
Uncertainty Quantification [3.7220380160016626]
不確実性定量のためのハイブリッドモデルと、不一致データを注釈付けするためのアクティブラーニングアプローチを提案する。
糖尿病網膜症分類の枠組みについて検討し,様々な指標で最先端のパフォーマンスを達成した。
論文 参考訳(メタデータ) (2020-12-24T16:59:15Z) - Understanding the Failure Modes of Out-of-Distribution Generalization [40.83290846983708]
経験的研究は、機械学習モデルは、トレーニング時間にのみラベルと急激な相関関係を持つ可能性のある背景のような特徴にしばしば依存していることを示唆している。
本研究は,学習が容易なタスクにおいても,モデルがこのように失敗する理由を説明することによって,この行動を引き起こす基本的な要因を同定する。
論文 参考訳(メタデータ) (2020-10-29T17:19:03Z) - Anomaly Detection With Conditional Variational Autoencoders [1.3541554606406663]
我々は,Deep Conditional Variational Autoencoder (CVAE) を利用して,階層的に構造化されたデータを対象としたメトリクスとともに,元の損失関数を定義する。
CERN大ハドロン衝突型加速器における多くの粒子物理学実験の基本的な構成要素であるトリガーシステムを監視する。
論文 参考訳(メタデータ) (2020-10-12T08:39:37Z) - Learning perturbation sets for robust machine learning [97.6757418136662]
我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。
学習した摂動集合の質を定量的かつ質的に測定する。
我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
論文 参考訳(メタデータ) (2020-07-16T16:39:54Z)
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。