論文の概要: Encoded Prior Sliced Wasserstein AutoEncoder for learning latent manifold representations

• arxiv url: http://arxiv.org/abs/2010.01037v2
• Date: Fri, 10 Dec 2021 20:40:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 00:22:03.391890
• Title: Encoded Prior Sliced Wasserstein AutoEncoder for learning latent manifold representations
• Title（参考訳）: 潜在多様体表現学習のための符号化前スライスワッサースタインオートエンコーダ
• Authors: Sanjukta Krishnagopal and Jacob Bedrossian
• Abstract要約: 本稿では,Encoded Prior Sliced Wasserstein AutoEncoderを紹介する。 追加のプリエンコーダネットワークは、データ多様体の埋め込みを学習する。 従来のオートエンコーダとは違って,前者はデータの基盤となる幾何を符号化する。
• 参考スコア（独自算出の注目度）: 0.7614628596146599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While variational autoencoders have been successful in several tasks, the use of conventional priors are limited in their ability to encode the underlying structure of input data. We introduce an Encoded Prior Sliced Wasserstein AutoEncoder wherein an additional prior-encoder network learns an embedding of the data manifold which preserves topological and geometric properties of the data, thus improving the structure of latent space. The autoencoder and prior-encoder networks are iteratively trained using the Sliced Wasserstein distance. The effectiveness of the learned manifold encoding is explored by traversing latent space through interpolations along geodesics which generate samples that lie on the data manifold and hence are more realistic compared to Euclidean interpolation. To this end, we introduce a graph-based algorithm for exploring the data manifold and interpolating along network-geodesics in latent space by maximizing the density of samples along the path while minimizing total energy. We use the 3D-spiral data to show that the prior encodes the geometry underlying the data unlike conventional autoencoders, and to demonstrate the exploration of the embedded data manifold through the network algorithm. We apply our framework to benchmarked image datasets to demonstrate the advantages of learning data representations in outlier generation, latent structure, and geodesic interpolation.
• Abstract（参考訳）: 可変オートエンコーダはいくつかのタスクで成功したが、従来のプリエンプティブの使用は入力データの基本構造をエンコードする能力に制限されている。 符号化された事前スライスされたwasersteinオートエンコーダを導入し、追加の事前エンコーダネットワークがデータの位相的および幾何学的性質を保持するデータ多様体の埋め込みを学習し、潜在空間の構造を改善する。 オートエンコーダとプリエンコーダネットワークはスライクド・ワッサースタイン距離を用いて反復的に訓練される。 学習された多様体符号化の有効性は、データ多様体上のサンプルを生成する測地線に沿った補間を通して潜在空間をトラバースすることによって探索される。 そこで本研究では,データ多様体を探索し,全エネルギーを最小にしつつ,経路に沿ったサンプルの密度を最大化することにより,潜在空間におけるネットワーク測地線に沿って補間するグラフベースアルゴリズムを提案する。 本稿では,従来のオートエンコーダと異なり,先行する3D-spiralデータを用いて,基礎となる形状を符号化し,ネットワークアルゴリズムによる組込みデータ多様体の探索を実証する。 本フレームワークをベンチマーク画像データセットに適用し,異常生成,潜在構造,測地補間におけるデータ表現学習の利点を実証する。

関連論文リスト

• Deep learning for the design of non-Hermitian topolectrical circuits [8.960003862907877]
  深層学習における多層パーセプトロン(MLP)と畳み込みニューラルネットワーク(CNN)を用いたアルゴリズムを導入し,非エルミートハミルトニアンの固有値のゆらぎを予測する。 本研究は,学習データに基づく非エルミート系の大域的トポロジカル特性の抽出におけるディープラーニングネットワークの有効性を実証するものである。
  論文  参考訳（メタデータ） (2024-02-15T14:41:55Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Zero-Level-Set Encoder for Neural Distance Fields [10.269224726391807]
  本稿では,1つの前方パスに3次元形状を埋め込む新しいエンコーダデコーダニューラルネットワークを提案する。 ネットワークはアイコン方程式を解くために訓練されており、訓練と推論のためにゼロレベル集合の知識しか必要としない。
  論文  参考訳（メタデータ） (2023-10-10T14:07:37Z)
• Information-Ordered Bottlenecks for Adaptive Semantic Compression [0.0]
  確率で順序付けられた変数に適応的にデータを圧縮するニューラルネットワーク層を提案する。 IOBは与えられたアーキテクチャに対してほぼ最適に圧縮でき、意味論的に意味のある方法で符号化信号を割り当てることができることを示す。 IOBを用いて世界次元を推定するための新しい理論を導入し、複雑な合成データのSOTA次元推定を復元することを示す。
  論文  参考訳（メタデータ） (2023-05-18T18:00:00Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• Overhead-Free Blockage Detection and Precoding Through Physics-Based Graph Neural Networks: LIDAR Data Meets Ray Tracing [58.73924499067486]
  物理ベースグラフニューラルネットワーク(GNN)による光検出・測光(LIDAR)データの分類によりブロック検出を実現する プリコーダ設計には、LIDARデータから得られた3D面にレイトレーシングを行うことにより、予備チャネル推定を行う。 数値シミュレーションにより、ブロック検出は95%精度で成功していることが示された。
  論文  参考訳（メタデータ） (2022-09-15T15:04:55Z)
• Semi-Supervised Manifold Learning with Complexity Decoupled Chart Autoencoders [65.2511270059236]
  本研究は、クラスラベルなどの半教師付き情報を付加できる非対称符号化復号プロセスを備えたチャートオートエンコーダを導入する。 データ多様体の内在次元に依存するネットワークの理論的近似力について論じる。
  論文  参考訳（メタデータ） (2022-08-22T19:58:03Z)
• Convergent autoencoder approximation of low bending and low distortion manifold embeddings [5.5711773076846365]
  オートエンコーダのエンコーダコンポーネントを学習するための新しい正規化を提案し,解析する。 損失関数は、入力多様体上の点対に対する異なるサンプリング戦略とモンテカルロ積分を通じて計算される。 我々の主定理は、埋め込み写像の損失汎函数をサンプリング依存損失汎函数の$Gamma$-極限として定義する。
  論文  参考訳（メタデータ） (2022-08-22T10:31:31Z)
• Dataset Condensation with Latent Space Knowledge Factorization and Sharing [73.31614936678571]
  与えられたデータセットの規則性を利用してデータセットの凝縮問題を解決する新しい手法を提案する。 データセットを元の入力空間に直接凝縮するのではなく、学習可能な一連のコードでデータセットの生成プロセスを仮定する。 提案手法は,様々なベンチマークデータセットに対して,有意なマージンで新しい最先端記録を達成できることを実験的に示す。
  論文  参考訳（メタデータ） (2022-08-21T18:14:08Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Homological Time Series Analysis of Sensor Signals from Power Plants [0.0]
  我々は、トポロジカルデータ解析技術を用いて、発電所全体のセンサ信号を学習するタスクに適したニューラルネットワーク分類器を構築する。 我々は1次元の深い畳み込み層と、積み重ねられた長い短期記憶を組み合わせたアーキテクチャを導出する。 検証のために, 同一建設方式の4つの発電所のセンサデータを用いて数値実験を行った。
  論文  参考訳（メタデータ） (2021-06-03T10:52:47Z)

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。