論文の概要: Supervised Topological Maps
- arxiv url: http://arxiv.org/abs/2008.06395v3
- Date: Wed, 2 Sep 2020 09:30:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-30 16:37:39.155970
- Title: Supervised Topological Maps
- Title（参考訳）: スーパービジョントポロジカルマップ
- Authors: Francesco Mannella
- Abstract要約: ニューラルネットワークの内部表現空間を制御することは、教師付き方法で新しいデータを生成することができるため、望ましい特徴である。
自己組織化マップ(SOM)から始まる一般化アルゴリズムを導出することにより、入力ストリームの低次元マッピングを構築しながら、これをどのように実現できるかを示す。
- 参考スコア（独自算出の注目度）: 0.76146285961466
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Controlling the internal representation space of a neural network is a
desirable feature because it allows to generate new data in a supervised
manner. In this paper we will show how this can be achieved while building a
low-dimensional mapping of the input stream, by deriving a generalized
algorithm starting from Self Organizing Maps (SOMs). SOMs are a kind of neural
network which can be trained with unsupervised learning to produce a
low-dimensional discretized mapping of the input space. They can be used for
the generation of new data through backward propagation of interpolations made
from the mapping grid. Unfortunately the final topology of the mapping space of
a SOM is not known before learning, so interpolating new data in a supervised
way is not an easy task. Here we will show a variation from the SOM algorithm
consisting in constraining the update of prototypes so that it is also a
function of the distance of its prototypes from extrinsically given targets in
the mapping space. We will demonstrate how such variants, that we will call
Supervised Topological Maps (STMs), allow for a supervised mapping where the
position of internal representations in the mapping space is determined by the
experimenter. Controlling the internal representation space in STMs reveals to
be an easier task than what is currently done using other algorithms such as
variational or adversarial autoencoders.
- Abstract（参考訳）: ニューラルネットワークの内部表現空間の制御は、教師ありの方法で新しいデータを生成することができるため、望ましい特徴である。
本稿では、自己組織化マップ(SOM)から始まる一般化アルゴリズムを導出することにより、入力ストリームの低次元マッピングを構築しながら、これをどのように実現できるかを示す。
SOMは、教師なし学習でトレーニングされたニューラルネットワークの一種であり、入力空間の低次元の離散化マッピングを生成する。
それらは、マッピンググリッドから作られた補間を後方に伝播することで、新しいデータを生成するために使用できる。
残念ながら、SOMのマッピング空間の最終的な位相は学習前には分かっていないので、教師付き方法で新しいデータを補間することは容易ではない。
ここでは,プロトタイプの更新を制約するsomアルゴリズムのバリエーションを示し,そのプロトタイプがマッピング空間で与えられた対象からの距離の関数でもあることを示す。
このような変種をスーパービジョントポロジカルマップ (STM) と呼ぶことで、実験者によって地図空間の内部表現の位置が決定されるような教師付き写像が可能であることを示す。
STMにおける内部表現空間の制御は、変分や対向オートエンコーダといった他のアルゴリズムで現在行われているものよりも容易なタスクであることが明らかにされている。
関連論文リスト
- A rank decomposition for the topological classification of neural representations [0.0]
この研究では、ニューラルネットワークが連続的なピースワイズアフィンマップと等価であるという事実を活用している。
多様体 $mathcalM$ と部分集合 $A$ の商のホモロジー群を研究し、これらの空間上のいくつかの極小性質を仮定する。
ランダムに狭いネットワークでは、データ多様体の(コ)ホモロジー群が変化する領域が存在することを示す。
論文 参考訳（メタデータ） (2024-04-30T17:01:20Z) - Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。
バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。
ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-02-25T13:22:17Z) - Grid Cell-Inspired Fragmentation and Recall for Efficient Map Building [29.630483662400444]
本研究では,FARMap(Fragmentation-and-Recall)の概念を大規模空間のマッピングに適用する。
エージェントは、空間の仮定に基づくクラスタリングを通じて局所写像を構築することで、マッピング問題を解決する。
FARMapは動物実験で観察された断片化点を再現することを示した。
論文 参考訳（メタデータ） (2023-07-11T20:40:19Z) - highway2vec -- representing OpenStreetMap microregions with respect to
their road network characteristics [3.5960954499553512]
本稿では,道路インフラストラクチャ特性に関するマイクロリージョンの埋め込みを生成する手法を提案する。
私たちは、いくつかの都市のOpenStreetMapロードネットワークをベースとしています。
地図六角形が道路網にどの程度近いかを検出するベクトル表現を得た。
論文 参考訳（メタデータ） (2023-04-26T23:16:18Z) - Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。
IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。
提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
論文 参考訳（メタデータ） (2022-06-17T09:40:14Z) - CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。
特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文 参考訳（メタデータ） (2022-05-30T13:34:46Z) - iSDF: Real-Time Neural Signed Distance Fields for Robot Perception [64.80458128766254]
iSDFは実時間符号付き距離場再構成のための連続学習システムである。
より正確な再構築と、衝突コストと勾配のより良い近似を生成する。
論文 参考訳（メタデータ） (2022-04-05T15:48:39Z) - A singular Riemannian geometry approach to Deep Neural Networks II.
Reconstruction of 1-D equivalence classes [78.120734120667]
入力空間における出力多様体内の点の事前像を構築する。
我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
論文 参考訳（メタデータ） (2021-12-17T11:47:45Z) - Dendritic Self-Organizing Maps for Continual Learning [0.0]
我々は、DendSOM(Dendritic-Self-Organizing Map)と呼ばれる生物学的ニューロンにインスパイアされた新しいアルゴリズムを提案する。
DendSOMは、入力空間の特定の領域からパターンを抽出する単一のSOMからなる。
ベンチマークデータセットでは、古典的なSOMやいくつかの最先端の継続的学習アルゴリズムよりも優れています。
論文 参考訳（メタデータ） (2021-10-18T14:47:19Z) - MFGNet: Dynamic Modality-Aware Filter Generation for RGB-T Tracking [72.65494220685525]
可視データと熱データ間のメッセージ通信を促進するために,新しい動的モダリティ対応フィルタ生成モジュール(MFGNet)を提案する。
我々は、2つの独立ネットワークを持つ動的モダリティ対応フィルタを生成し、その可視フィルタとサーマルフィルタをそれぞれ、対応する入力特徴写像上で動的畳み込み演算を行う。
重閉塞,高速移動,外見による問題に対処するため,新たな方向認識型目標誘導型アテンション機構を活用することで,共同で局所的・グローバル検索を行うことを提案する。
論文 参考訳（メタデータ） (2021-07-22T03:10:51Z) - A Boundary Regression Model for Nested Named Entity Recognition [17.968819067122418]
名前付きエンティティ(NE)の認識は、文中のNE候補のクラスタグを予測する分類問題として一般的に行われる。
ニューラルネットワークの最近の進歩は、特徴を連続表現に分類する深い構造を採用している。
本稿では,文中のNEを見つけるために回帰演算を導入する。
論文 参考訳（メタデータ） (2020-11-29T10:04:38Z)
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。