論文の概要: Gibbs Sampling with People
- arxiv url: http://arxiv.org/abs/2008.02595v2
- Date: Mon, 2 Nov 2020 16:55:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 06:54:31.174181
- Title: Gibbs Sampling with People
- Title（参考訳）: 人とのギブスサンプリング
- Authors: Peter M. C. Harrison, Raja Marjieh, Federico Adolfi, Pol van Rijn,
Manuel Anglada-Tort, Ofer Tchernichovski, Pauline Larrouy-Maestri, Nori
Jacoby
- Abstract要約: 認知科学と機械学習における中核的な問題は、人間が知覚対象から意味表現を導出する方法を理解することである。
本稿では,このような表現を研究するための新しい方法として,"Gibbs Smpling with People"(GSP)を提案する。
GSPは他の3つの領域、すなわち音楽コード、声の感情、顔において、斬新で解釈可能な結果を提供する。
- 参考スコア（独自算出の注目度）: 3.518016233072556
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A core problem in cognitive science and machine learning is to understand how
humans derive semantic representations from perceptual objects, such as color
from an apple, pleasantness from a musical chord, or seriousness from a face.
Markov Chain Monte Carlo with People (MCMCP) is a prominent method for studying
such representations, in which participants are presented with binary choice
trials constructed such that the decisions follow a Markov Chain Monte Carlo
acceptance rule. However, while MCMCP has strong asymptotic properties, its
binary choice paradigm generates relatively little information per trial, and
its local proposal function makes it slow to explore the parameter space and
find the modes of the distribution. Here we therefore generalize MCMCP to a
continuous-sampling paradigm, where in each iteration the participant uses a
slider to continuously manipulate a single stimulus dimension to optimize a
given criterion such as 'pleasantness'. We formulate both methods from a
utility-theory perspective, and show that the new method can be interpreted as
'Gibbs Sampling with People' (GSP). Further, we introduce an aggregation
parameter to the transition step, and show that this parameter can be
manipulated to flexibly shift between Gibbs sampling and deterministic
optimization. In an initial study, we show GSP clearly outperforming MCMCP; we
then show that GSP provides novel and interpretable results in three other
domains, namely musical chords, vocal emotions, and faces. We validate these
results through large-scale perceptual rating experiments. The final
experiments use GSP to navigate the latent space of a state-of-the-art image
synthesis network (StyleGAN), a promising approach for applying GSP to
high-dimensional perceptual spaces. We conclude by discussing future cognitive
applications and ethical implications.
- Abstract（参考訳）: 認知科学と機械学習における中核的な問題は、人間がリンゴの色、音楽コードからの快楽、顔からの深刻さなどの知覚対象から意味表現を導出する方法を理解することである。
マルコフ連鎖モンテカルロ・アンド・ピープル(mcmcp、markov chain monte carlo with people)は、マルコフ連鎖モンテカルロ受容規則に従うように構成された二元選択試験を参加者に提示する手法である。
しかしながら、mcmcpは強い漸近性を持つが、その二項選択パラダイムは試行ごとに比較的少ない情報を生成し、局所的な提案関数はパラメータ空間の探索と分布のモードの探索を遅くする。
そこで MCMCP を連続サンプリングパラダイムに一般化し、各イテレーションにおいて参加者はスライダを用いて1つの刺激次元を連続的に操作し、「不快性」のような与えられた基準を最適化する。
実用理論の観点から両手法を定式化し,新しい手法を「人による共有サンプリング(GSP)」と解釈できることを示す。
さらに、遷移ステップにアグリゲーションパラメータを導入し、ギブスサンプリングと決定論的最適化の間を柔軟にシフトするためにこのパラメータを操作できることを示す。
最初の研究では、GSPがCMCPより明らかに優れており、GSPは他の3つのドメイン、すなわち音楽コード、声の感情、顔に対して、斬新で解釈可能な結果をもたらすことを示した。
これらの結果を大規模知覚評価実験により検証する。
最後の実験では、GSPを用いて、高次元知覚空間にGSPを適用するための有望なアプローチである最先端画像合成ネットワーク(StyleGAN)の潜時空間をナビゲートする。
今後の認知的応用と倫理的含意について論じる。
関連論文リスト
- A New Formulation of Lipschitz Constrained With Functional Gradient Learning for GANs [52.55025869932486]
本稿では,大規模データセット上でGAN(Generative Adversarial Networks)のトレーニングを行うための有望な代替手法を提案する。
本稿では,GANの学習を安定させるために,Lipschitz-Constrained Functional Gradient GANs Learning (Li-CFG)法を提案する。
判別器勾配のノルムを増大させることにより、潜在ベクトルの近傍サイズを小さくすることができることを示す。
論文 参考訳（メタデータ） (2025-01-20T02:48:07Z) - Learning to Explore for Stochastic Gradient MCMC [15.286308920219446]
マルチモーダルなターゲット分布を効率的に探索できるglssgmcmcを構築するメタラーニング戦略を提案する。
我々のアルゴリズムは、学習したSGMCMCが後部景観の高密度領域を迅速に探索することを可能にする。
論文 参考訳（メタデータ） (2024-08-17T08:36:42Z) - Robust Inference of Dynamic Covariance Using Wishart Processes and Sequential Monte Carlo [2.6347238599620115]
本稿では,WishartプロセスのためのSMCサンプルについて紹介する。
SMCサンプリングは, 動的共分散の最も頑健な推定と外乱予測をもたらすことを示す。
提案手法が臨床うつ病のデータセットに有効であることを示す。
論文 参考訳（メタデータ） (2024-06-07T09:48:11Z) - An Information Compensation Framework for Zero-Shot Skeleton-based Action Recognition [49.45660055499103]
ゼロショットの人間の骨格に基づく行動認識は、トレーニング中に見られるカテゴリ外の行動を認識するモデルを構築することを目的としている。
従来の研究では、シーケンスの視覚的空間分布と意味的空間分布の整合性に焦点が当てられていた。
強固で頑健な表現を得るために,新たな損失関数サンプリング手法を提案する。
論文 参考訳（メタデータ） (2024-06-02T06:53:01Z) - Point-Based Value Iteration for POMDPs with Neural Perception Mechanisms [31.51588071503617]
ニューロシンボリックな部分観測可能なマルコフ決定過程(NS-POMDP)を紹介する。
状態空間と値ベクトルを包含するポリヘドラを用いて, 分割線形凸表現(P-PWLC)を提案する。
本稿では,ReLUニューラルネットワークを知覚機能として用いた2つのケーススタディに対して,本手法の実用性を示す。
論文 参考訳（メタデータ） (2023-06-30T13:26:08Z) - Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。
現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。
本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
論文 参考訳（メタデータ） (2023-02-28T14:01:01Z) - GEC: A Unified Framework for Interactive Decision Making in MDP, POMDP,
and Beyond [101.5329678997916]
対話型意思決定の一般的な枠組みの下で, サンプル高能率強化学習(RL)について検討した。
本稿では,探索とエクスプロイトの基本的なトレードオフを特徴付ける,新しい複雑性尺度である一般化エルダー係数(GEC)を提案する。
低 GEC の RL 問題は非常にリッチなクラスであり、これは低ベルマン楕円体次元問題、双線型クラス、低証人ランク問題、PO-双線型クラス、一般化正規PSR を仮定する。
論文 参考訳（メタデータ） (2022-11-03T16:42:40Z) - A new perspective on probabilistic image modeling [92.89846887298852]
本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。
DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。
本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
論文 参考訳（メタデータ） (2022-03-21T14:53:57Z) - Surrogate Likelihoods for Variational Annealed Importance Sampling [11.144915453864854]
我々は他の変分パラメータと共同で学習できる代理可能性を導入する。
本手法は,確率的プログラミングフレームワークにおけるブラックボックス推論に適していることを示す。
論文 参考訳（メタデータ） (2021-12-22T19:49:45Z) - Expert-Guided Symmetry Detection in Markov Decision Processes [0.0]
MDP力学が不変である状態-作用空間の変換の存在を検出することを目的としたパラダイムを提案する。
その結果, 検出した対称性を用いて得られたデータを用いてデータセットを拡張した場合, モデル分布シフトが小さくなることがわかった。
論文 参考訳（メタデータ） (2021-11-19T16:12:30Z) - Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。
本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。
本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文 参考訳（メタデータ） (2021-02-04T02:21:08Z)
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。