論文の概要: Discond-VAE: Disentangling Continuous Factors from the Discrete
- arxiv url: http://arxiv.org/abs/2009.08039v2
- Date: Thu, 17 Jun 2021 01:45:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2022-10-17 08:25:37.971993
- Title: Discond-VAE: Disentangling Continuous Factors from the Discrete
- Title（参考訳）: Discond-VAE: 離散から連続因子を遠ざける
- Authors: Jaewoong Choi, Geonho Hwang, Myungjoo Kang
- Abstract要約: 連続潜伏変数であるプライベート変数とパブリック変数の2つのセットを導入する。
提案するフレームワークは,プライベート変数をガウス変数と公変数をガウス変数の混合としてモデル化する。
提案するモデルはDiscond-VAEと呼ばれ,離散因子からクラス依存の連続因子をプライベート変数を導入して分離する。
- 参考スコア（独自算出の注目度）: 2.1751359518641364
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the real-world data, there are common variations shared by all classes
(e.g. category label) and exclusive variations of each class. We propose a
variant of VAE capable of disentangling both of these variations. To represent
these generative factors of data, we introduce two sets of continuous latent
variables, private variable and public variable. Our proposed framework models
the private variable as a Mixture of Gaussian and the public variable as a
Gaussian, respectively. Each mode of the private variable is responsible for a
class of the discrete variable.
Most of the previous attempts to integrate the discrete generative factors to
disentanglement assume statistical independence between the continuous and
discrete variables. Our proposed model, which we call Discond-VAE, DISentangles
the class-dependent CONtinuous factors from the Discrete factors by introducing
the private variables. The experiments show that Discond-VAE can discover the
private and public factors from data. Moreover, even under the dataset with
only public factors, Discond-VAE does not fail and adapts the private variables
to represent the public factors.
- Abstract（参考訳）: 実世界のデータでは、すべてのクラス(カテゴリラベルなど)と各クラスの排他的なバリエーションが共有されている。
我々は,これら2つの変種を分離できるvaeの変種を提案する。
これらのデータ生成因子を表現するために、連続潜伏変数であるプライベート変数とパブリック変数の2つのセットを導入する。
提案フレームワークは,プライベート変数をガウスの混合として,パブリック変数をガウスの混合としてモデル化する。
プライベート変数の各モードは、離散変数のクラスに対して責任を持つ。
分割生成因子を統合する以前の試みのほとんどは、連続変数と離散変数の間の統計的独立性を前提としている。
提案するモデルはDiscond-VAEと呼ばれ,離散因子からクラス依存の連続因子をプライベート変数を導入して分離する。
実験によると、Discond-VAEはデータからプライベートおよびパブリックな要因を発見することができる。
さらに、公開要因のみを持つデータセットの下でも、discond-vaeは失敗せず、公開要因を表すためにプライベート変数を適用する。
関連論文リスト
- Disentangling shared and private latent factors in multimodal
Variational Autoencoders [6.680930089714339]
MVAE や MMVAE のようなマルチモーダル変分オートエンコーダは、それらの根底にある潜在因子を推測し、共有変分をプライベートから分離する自然な選択である。
既存のモデルの制約を実証し、モダリティ固有の変動に対してより堅牢にする方法を提案する。
本研究は,様々な実世界のマルチオミクスデータセットと合成実験によって支援された。
論文 参考訳（メタデータ） (2024-03-10T23:11:05Z) - Results on Counterfactual Invariance [3.616948583169635]
反事実的不変性は条件的独立を意味するが、条件的独立性は反事実的不変性を満たす度合いや可能性について何の意味も示さない。
離散因果モデルでは、反実不変函数は、しばしば特定の変数の函数、あるいは定数であるように制約される。
論文 参考訳（メタデータ） (2023-07-17T14:27:32Z) - Differentially private partitioned variational inference [28.96767727430277]
複数のデバイスに分散している機密データから、プライバシ保護モデルを学ぶことは、ますます重要な問題である。
ベイズ分布に対する変分近似を学習するための最初の一般フレームワークである差分分割変分推論について述べる。
論文 参考訳（メタデータ） (2022-09-23T13:58:40Z) - On the Strong Correlation Between Model Invariance and Generalization [54.812786542023325]
一般化は、見えないデータを分類するモデルの能力をキャプチャする。
不変性はデータの変換におけるモデル予測の一貫性を測定する。
データセット中心の視点から、あるモデルの精度と不変性は異なるテストセット上で線形に相関している。
論文 参考訳（メタデータ） (2022-07-14T17:08:25Z) - Gacs-Korner Common Information Variational Autoencoder [102.89011295243334]
本稿では,2つの変数間で共有される情報の定量化と分離を可能にする共通情報の概念を提案する。
画像やビデオなどの高次元データでも意味論的に意味のある共通要素や特徴要因を学習できることを実証する。
論文 参考訳（メタデータ） (2022-05-24T17:47:26Z) - Linear Discriminant Analysis with High-dimensional Mixed Variables [10.774094462083843]
本稿では,混合変数を用いた高次元観測の分類手法を提案する。
データを指数関数的に多くのセルに分割するという課題を克服する。
推定精度と誤分類率に関する結果が確立される。
論文 参考訳（メタデータ） (2021-12-14T03:57:56Z) - Safe Tests and Always-Valid Confidence Intervals for contingency tables
and beyond [69.25055322530058]
2つのデータストリームが同じソースから来るかどうかをテストするためのE変数を開発します。
これらのE変数は、オプションの停止や継続のようなフレキシブルなサンプリングシナリオの下で、安全であり続けるテストにつながる。
論文 参考訳（メタデータ） (2021-06-04T20:12:13Z) - Counterfactual Invariance to Spurious Correlations: Why and How to Pass
Stress Tests [87.60900567941428]
素早い相関」とは、アナリストが重要とすべきでないと考える入力データのある側面に対するモデルの依存である。
機械学習では、これらにはノウ・イ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ」という特徴がある。
因果推論ツールを用いたストレステストについて検討した。
論文 参考訳（メタデータ） (2021-05-31T14:39:38Z) - Latent Causal Invariant Model [128.7508609492542]
現在の教師付き学習は、データ適合プロセス中に急激な相関を学習することができる。
因果予測を求める潜在因果不変モデル(LaCIM)を提案する。
論文 参考訳（メタデータ） (2020-11-04T10:00:27Z) - Stable Prediction via Leveraging Seed Variable [73.9770220107874]
従来の機械学習手法は、非因果変数によって誘導されるトレーニングデータにおいて、微妙に刺激的な相関を利用して予測する。
本研究では, 条件付き独立性テストに基づくアルゴリズムを提案し, 種子変数を先行変数とする因果変数を分離し, 安定な予測に採用する。
我々のアルゴリズムは、安定した予測のための最先端の手法より優れている。
論文 参考訳（メタデータ） (2020-06-09T06:56:31Z)
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。