論文の概要: On the Transferability of VAE Embeddings using Relational Knowledge with
Semi-Supervision
- arxiv url: http://arxiv.org/abs/2011.07137v1
- Date: Fri, 13 Nov 2020 21:40:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 23:36:29.954188
- Title: On the Transferability of VAE Embeddings using Relational Knowledge with
Semi-Supervision
- Title(参考訳): セミスーパービジョンを用いた関係知識を用いたVAE埋め込みの伝達性について
- Authors: Harald Str\"omfelt, Luke Dickens, Artur d'Avila Garcez, Alessandra
Russo
- Abstract要約: 本稿では,異なる記号特性を持つ関係の絡み合いと低複雑性モデリングのバランスをとることができるリレーショナルVAEセミスーパービジョンの新しいモデルを提案する。
帰納的および帰納的移行学習における関係復号器と潜時空間構造の相対的利点を比較した。
- 参考スコア(独自算出の注目度): 67.96748304066827
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a new model for relational VAE semi-supervision capable of
balancing disentanglement and low complexity modelling of relations with
different symbolic properties. We compare the relative benefits of
relation-decoder complexity and latent space structure on both inductive and
transductive transfer learning. Our results depict a complex picture where
enforcing structure on semi-supervised representations can greatly improve
zero-shot transductive transfer, but may be less favourable or even impact
negatively the capacity for inductive transfer.
- Abstract(参考訳): 本稿では,異なる記号特性を持つ関係の絡み合いと低複雑性モデリングのバランスをとることができるリレーショナルVAEセミスーパービジョンの新しいモデルを提案する。
帰納的および帰納的移行学習における関係復号器複雑性と潜時空間構造の比較を行った。
提案手法は,半教師付き表現に構造を組み込むことでゼロショットトランスダクティブトランスダクティブトランスダクティブを著しく改善するが,インダクティブトランスダクティブトランスダクティブトランスダクティブのキャパシティに悪影響を及ぼさない。
関連論文リスト
- Siamese Representation Learning for Unsupervised Relation Extraction [5.776369192706107]
非教師付き関係抽出(URE)は、オープンドメインのプレーンテキストから名前付きエンティティペア間の基礎となる関係を見つけることを目的としている。
比較学習を利用した既存のUREモデルでは、正のサンプルを惹きつけ、より良い分離を促進するために負のサンプルを反発させる効果がある。
非教師関係抽出のためのシームズ表現学習 - 正のペアを単純に活用して表現学習を行う新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-01T02:57:43Z) - Layer-wise Feedback Propagation [53.00944147633484]
本稿では、ニューラルネットワークのような予測器のための新しいトレーニング手法であるLFP(Layer-wise Feedback Propagation)を提案する。
LFPは、与えられたタスクの解決に対するそれぞれの貢献に基づいて、個々のコネクションに報酬を割り当てる。
各種モデルやデータセットの勾配降下に匹敵する性能を達成できることの有効性を実証する。
論文 参考訳(メタデータ) (2023-08-23T10:48:28Z) - Why Does Little Robustness Help? Understanding and Improving Adversarial
Transferability from Surrogate Training [24.376314203167016]
DNNの逆例(AE)は転送可能であることが示されている。
本稿では,敵対的伝達可能性の理解に向けてさらなる一歩を踏み出す。
論文 参考訳(メタデータ) (2023-07-15T19:20:49Z) - The Self-Optimal-Transport Feature Transform [2.804721532913997]
ダウンストリームマッチングや関連するタスクのグループ化を容易にするために、データインスタンスの機能セットをアップグレードする方法を示します。
エントロピー正規化バージョンを最適輸送 (OT) 最適化により近似できる, 特定の min-コスト-max-flow 分数マッチング問題により, トランスダクティブ・トランスフォーメーションが生じる。
経験的に、この変換は、その使用において非常に効果的で柔軟性があり、挿入されるネットワークを一貫して改善している。
論文 参考訳(メタデータ) (2022-04-06T20:00:39Z) - TRS: Transferability Reduced Ensemble via Encouraging Gradient Diversity
and Model Smoothness [14.342349428248887]
逆転性(Adversarial Transferability)は、逆転性(adversarial)の例の興味深い特性である。
本稿では,モデル間の移動性に関する十分な条件を理論的に解析する。
本稿では,そのロバスト性を改善するために,アンサンブル内の転送性を低減するための実用的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-04-01T17:58:35Z) - Comparing Probability Distributions with Conditional Transport [63.11403041984197]
新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。
ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。
さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
論文 参考訳(メタデータ) (2020-12-28T05:14:22Z) - RatE: Relation-Adaptive Translating Embedding for Knowledge Graph
Completion [51.64061146389754]
複素空間における新たな重み付き積の上に構築された関係適応変換関数を提案する。
次に、関係適応型翻訳埋め込み(RatE)アプローチを示し、各グラフを3倍にスコアする。
論文 参考訳(メタデータ) (2020-10-10T01:30:30Z) - Generalization Properties of Optimal Transport GANs with Latent
Distribution Learning [52.25145141639159]
本研究では,潜伏分布とプッシュフォワードマップの複雑さの相互作用が性能に与える影響について検討する。
我々の分析に感銘を受けて、我々はGANパラダイム内での潜伏分布とプッシュフォワードマップの学習を提唱した。
論文 参考訳(メタデータ) (2020-07-29T07:31:33Z) - Adversarial Training Reduces Information and Improves Transferability [81.59364510580738]
近年の研究では, 頑健性に加えて, 可逆性などの望ましい特性が期待できることが示されている。
本稿では,新たなタスクへの線形転送性の向上を図り,表現の伝達可能性とソースタスクの精度の間に新たなトレードオフが生じていることを示す。
論文 参考訳(メタデータ) (2020-07-22T08:30:16Z)
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。