論文の概要: On the Transfer of Disentangled Representations in Realistic Settings

• arxiv url: http://arxiv.org/abs/2010.14407v2
• Date: Thu, 11 Mar 2021 11:43:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 10:56:29.151528
• Title: On the Transfer of Disentangled Representations in Realistic Settings
• Title（参考訳）: 現実的設定における異方表現の移動について
• Authors: Andrea Dittadi, Frederik Tr\"auble, Francesco Locatello, Manuel W\"uthrich, Vaibhav Agrawal, Ole Winther, Stefan Bauer, Bernhard Sch\"olkopf
• Abstract要約: 1Mのシミュレーション画像と1,800以上の注釈付き実世界の画像を備えた新しい高解像度データセットを導入する。 本研究では,非交叉表現学習を現実的な高解像度設定に拡張するために,新しいアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 44.367245337475445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning meaningful representations that disentangle the underlying structure of the data generating process is considered to be of key importance in machine learning. While disentangled representations were found to be useful for diverse tasks such as abstract reasoning and fair classification, their scalability and real-world impact remain questionable. We introduce a new high-resolution dataset with 1M simulated images and over 1,800 annotated real-world images of the same setup. In contrast to previous work, this new dataset exhibits correlations, a complex underlying structure, and allows to evaluate transfer to unseen simulated and real-world settings where the encoder i) remains in distribution or ii) is out of distribution. We propose new architectures in order to scale disentangled representation learning to realistic high-resolution settings and conduct a large-scale empirical study of disentangled representations on this dataset. We observe that disentanglement is a good predictor for out-of-distribution (OOD) task performance.
• Abstract（参考訳）: データ生成プロセスの基盤構造を乱す意味のある表現を学習することは、機械学習において重要であると考えられている。 不整合表現は抽象的推論や公平な分類といった多様なタスクに有用であることが判明したが、そのスケーラビリティと実世界の影響は疑問視されている。 1Mのシミュレーション画像と1,800以上のアノテートされた実世界の同じ設定のイメージを備えた新しい高解像度データセットを導入する。 以前の研究とは対照的に、この新しいデータセットは、複雑な基盤構造である相関を示し、エンコーダが見えないシミュレーションや現実世界の設定への転送を評価することができる。 i) 流通中、または ii) 流通していない。 本研究では,非絡合表現学習を現実的な高解像度設定に拡張する新しいアーキテクチャを提案し,このデータセット上で非絡合表現を大規模に検討する。 我々は,分散性(ood)タスク性能の予測には乱れがよいことを観察する。

関連論文リスト

• Transferring disentangled representations: bridging the gap between synthetic and real images [1.0760018917783072]
  実データに適用可能な汎用的不整合表現を学習するために,合成データを活用する可能性を検討する。 本稿では,表現中の因子の質を測定するために,新しい解釈可能な介入基準を提案する。 以上の結果から, 合成データから実データへの表現の変換が可能であること, 有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-09-26T16:25:48Z)
• Zero-Shot Object-Centric Representation Learning [72.43369950684057]
  ゼロショット一般化のレンズによる現在の対象中心法について検討する。 8つの異なる合成および実世界のデータセットからなるベンチマークを導入する。 多様な実世界の画像のトレーニングにより、見えないシナリオへの転送性が向上することがわかった。
  論文  参考訳（メタデータ） (2024-08-17T10:37:07Z)
• Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
  本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。 一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
  論文  参考訳（メタデータ） (2024-06-17T07:43:53Z)
• The Devil in the Details: Simple and Effective Optical Flow Synthetic Data Generation [19.945859289278534]
  本稿では,光学フローデータセットの要求特性が比較的単純であり,簡易な合成データ生成法を提案する。 2次元動きに基づくデータセットでは、合成データセットを生成するための最も単純だが重要な要素を体系的に分析する。
  論文  参考訳（メタデータ） (2023-08-14T18:01:45Z)
• Leveraging sparse and shared feature activations for disentangled representation learning [112.22699167017471]
  本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。 我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2023-04-17T01:33:24Z)
• Decoupling Local and Global Representations of Time Series [38.73548222141307]
  本稿では,時系列における大域的・局所的な変動要因の表現を学習するための新しい生成手法を提案する。 実験では,シミュレーションデータ上での真の局所的および大域的変動係数の回復を実証した。 表現を定義する方法の提案は、データモデリングに有用であり、実世界のデータの複雑さに関するより良い洞察をもたらすと信じています。
  論文  参考訳（メタデータ） (2022-02-04T17:46:04Z)
• Understanding Dynamics of Nonlinear Representation Learning and Its Application [12.697842097171119]
  暗黙的非線形表現学習のダイナミクスについて検討する。 我々は,データ構造アライメント条件がグローバル収束に十分であることを示す。 我々はデータ構造アライメント条件を満たす新しいトレーニングフレームワークを作成した。
  論文  参考訳（メタデータ） (2021-06-28T16:31:30Z)
• Relation-Guided Representation Learning [53.60351496449232]
  本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。 私たちのフレームワークは、サンプル間の関係をよく保存します。 サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
  論文  参考訳（メタデータ） (2020-07-11T10:57:45Z)
• Mutual Information Maximization for Robust Plannable Representations [82.83676853746742]
  モデルに基づく強化学習のための情報理論表現学習アルゴリズムMIROを提案する。 提案手法は, 邪魔や散らかったシーンの存在下で, 再建目的よりも頑健であることを示す。
  論文  参考訳（メタデータ） (2020-05-16T21:58:47Z)

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。