論文の概要: Geometrically Enriched Latent Spaces

• arxiv url: http://arxiv.org/abs/2008.00565v1
• Date: Sun, 2 Aug 2020 20:57:58 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-03 19:30:43.291258
• Title: Geometrically Enriched Latent Spaces
• Title（参考訳）: 幾何学的に富んだ潜在空間
• Authors: Georgios Arvanitidis, S{\o}ren Hauberg, Bernhard Sch\"olkopf
• Abstract要約: 生成モデルにおける一般的な仮定は、生成元が潜在空間をユークリッド周囲空間に浸すということである。 周囲空間をリーマン多様体とみなし、ドメイン知識を符号化することができる。 最短経路は、学習された多様体に従い、周囲の幾何学を尊重するために、潜在空間でそれに従って定義することができる。
• 参考スコア（独自算出の注目度）: 12.053281584624361
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A common assumption in generative models is that the generator immerses the latent space into a Euclidean ambient space. Instead, we consider the ambient space to be a Riemannian manifold, which allows for encoding domain knowledge through the associated Riemannian metric. Shortest paths can then be defined accordingly in the latent space to both follow the learned manifold and respect the ambient geometry. Through careful design of the ambient metric we can ensure that shortest paths are well-behaved even for deterministic generators that otherwise would exhibit a misleading bias. Experimentally we show that our approach improves interpretability of learned representations both using stochastic and deterministic generators.
• Abstract（参考訳）: 生成モデルにおける一般的な仮定は、生成器が潜在空間をユークリッド環境空間に浸すというものである。 代わりに、周囲空間をリーマン多様体とみなし、関連するリーマン計量を通じて領域知識を符号化することができる。 最短経路は、学習された多様体に従い、周囲の幾何学を尊重するために、潜在空間でそれに従って定義される。 環境メトリックを注意深く設計することで、最短経路は決定論的生成元であっても、誤解を招くようなバイアスを生じさせることを保証できる。 提案手法は,確率的および決定論的生成器を用いて学習した表現の解釈可能性を向上させる。

関連論文リスト

• Decoder ensembling for learned latent geometries [15.484595752241122]
  我々は、関連する予想多様体上の測地線を容易に計算する方法を示す。 このシンプルで信頼性が高く、簡単に使える潜在測地に一歩近づきます。
  論文  参考訳（メタデータ） (2024-08-14T12:35:41Z)
• Mixed-Curvature Decision Trees and Random Forests [0.6656737591902598]
  決定木とランダムフォレストアルゴリズムを積空間多様体に拡張する。 本手法は積多様体の分類と回帰のための単純で表現力豊かな方法を実現する。 実装と実験のコードはhttps://github.com/pchlenski/embedders.comで公開されている。
  論文  参考訳（メタデータ） (2024-06-07T19:29:55Z)
• Topological Obstructions and How to Avoid Them [22.45861345237023]
  局所最適性は特異点や不正確な次数や巻数によって生じる可能性があることを示す。 本稿では,データポイントを幾何学空間上のマルチモーダル分布にマッピングするフローベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-12-12T18:56:14Z)
• 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)
• Alignment and Outer Shell Isotropy for Hyperbolic Graph Contrastive Learning [69.6810940330906]
  高品質なグラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。 具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。 双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
  論文  参考訳（メタデータ） (2023-10-27T15:31:42Z)
• Short and Straight: Geodesics on Differentiable Manifolds [6.85316573653194]
  本研究では,測地線長を最小化するための既存の手法をまず解析する。 次に,連続多様体上の距離場と測地流のモデルに基づくパラメータ化を提案する。 第3に,Ricciスカラーのより大きい値を示す多様体の領域において,曲率に基づくトレーニング機構,サンプリングおよびスケーリングポイントを開発する。
  論文  参考訳（メタデータ） (2023-05-24T15:09:41Z)
• Identifying latent distances with Finslerian geometry [6.0188611984807245]
  生成モデルにより、データ空間と測地学は最も非現実的であり、操作が不可能である。 本研究では,引き戻し距離の期待値が明示的に最小となる別の測度を提案する。 高次元では、どちらの測度も$Oleft(frac1Dright)$の速度で収束することが証明される。
  論文  参考訳（メタデータ） (2022-12-20T05:57:27Z)
• Unsupervised Disentanglement with Tensor Product Representations on the Torus [78.6315881294899]
  オートエンコーダで表現を学習する現在の方法では、ほとんどベクターを潜在表現として用いている。 本研究では,この目的のためにテンソル積構造を用いることを提案する。 通常分布する特徴を対象とする従来の変分法とは対照的に,表現の潜在空間は単位円の集合上に均一に分布する。
  論文  参考訳（メタデータ） (2022-02-13T04:23:12Z)
• Riemannian Score-Based Generative Modeling [56.20669989459281]
  経験的性能を示すスコアベース生成モデル(SGM)を紹介する。 現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。 これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
  論文  参考訳（メタデータ） (2022-02-06T11:57:39Z)
• 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)
• Disentangling by Subspace Diffusion [72.1895236605335]
  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。
  論文  参考訳（メタデータ） (2020-06-23T13:33:19Z)

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。