Fugu-MT 論文翻訳(概要): A Metric for Linear Symmetry-Based Disentanglement

論文の概要: A Metric for Linear Symmetry-Based Disentanglement

arxiv url: http://arxiv.org/abs/2011.13306v1
Date: Thu, 26 Nov 2020 14:19:08 GMT
ステータス: 処理完了
システム内更新日: 2022-09-20 12:07:20.143136
Title: A Metric for Linear Symmetry-Based Disentanglement
Title（参考訳）: 線形対称性に基づく絡み合いの計量
Authors: Luis A. P\'erez Rey, Loek Tonnaer, Vlado Menkovski, Mike Holenderski, Jacobus W. Portegies
Abstract要約: データ表現が達成するLSBDの評価基準を提案する。提案手法は,SO(2)$対称性を基礎とした3つのデータセットに対して得られたデータ表現の不整合性を評価するための実用的な手法である。
参考スコア（独自算出の注目度）: 2.063173596934807
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The definition of Linear Symmetry-Based Disentanglement (LSBD) proposed by (Higgins et al., 2018) outlines the properties that should characterize a disentangled representation that captures the symmetries of data. However, it is not clear how to measure the degree to which a data representation fulfills these properties. We propose a metric for the evaluation of the level of LSBD that a data representation achieves. We provide a practical method to evaluate this metric and use it to evaluate the disentanglement of the data representations obtained for three datasets with underlying $SO(2)$ symmetries.
Abstract（参考訳）: Higgins et al., 2018) によって提唱された線形対称性に基づく遠方性 (LSBD) の定義は、データの対称性を捉える非交叉表現を特徴づけるべき特性を概説している。しかしながら、データ表現がこれらのプロパティを満たす程度を計測する方法は明確ではない。本研究では,データ表現が達成するlsbdのレベルを評価するための指標を提案する。このメトリックを評価し,それを用いて,$so(2)$対称性を持つ3つのデータセットで得られたデータ表現の不連続性を評価するための実用的な手法を提案する。

関連論文リスト

SymmetryLens: A new candidate paradigm for unsupervised symmetry learning via locality and equivariance [0.0]
我々は、生データから始まる新しい教師なし対称性学習法を開発した。この対称性と局所性の結合は,エントロピー推定のために開発された特別な最適化手法とともに,高度に安定なシステムをもたらすことを実証する。私たちが考える対称性の作用は群表現であるが、このアプローチは非可換リー群のより一般的な非線形作用に一般化される可能性があると信じている。
論文参考訳（メタデータ） (2024-10-07T17:40:51Z)
(Deep) Generative Geodesics [57.635187092922976]
2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。我々の計量は、生成距離と生成測地学の概念的定義に繋がる。彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
論文参考訳（メタデータ） (2024-07-15T21:14:02Z)
Self-Supervised Detection of Perfect and Partial Input-Dependent Symmetries [11.54837584979607]
群の同値性は、群の対称性がデータで観測されたものと異なる場合、過度にモデルを制約することができる。本稿では,ラベルを使わずに各入力の対称性のレベルを検出する手法を提案する。我々のフレームワークは、連続分布と離散対称性分布の両方の異なる族に対応するのに十分である。
論文参考訳（メタデータ） (2023-12-19T15:11:46Z)
Oracle-Preserving Latent Flows [58.720142291102135]
我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
論文参考訳（メタデータ） (2023-02-02T00:13:32Z)
Dimensionality Reduction using Elastic Measures [0.6445605125467572]
本稿では t-distributed Neighbor Embedding (t-SNE) と Uniform Approximation and Projection (UMAP) に弾性メトリクスを組み込む方法を提案する。形状識別および分類タスクに関する3つのベンチマークデータセットの性能向上を示す。
論文参考訳（メタデータ） (2022-09-07T21:09:38Z)
GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文参考訳（メタデータ） (2021-02-22T19:42:40Z)
Evaluating representations by the complexity of learning low-loss predictors [55.94170724668857]
下流タスクの解決に使用されるデータの表現を評価することの問題点を考察する。本稿では,関心のあるタスクにおける低損失を実現する表現の上に,予測器を学習する複雑性によって表現の質を測定することを提案する。
論文参考訳（メタデータ） (2020-09-15T22:06:58Z)
Deep Dimension Reduction for Supervised Representation Learning [51.10448064423656]
本研究は,本質的な特徴を持つ学習表現の次元削減手法を提案する。提案手法は, 十分次元還元法の非パラメトリック一般化である。推定された深度非パラメトリック表現は、その余剰リスクが0に収束するという意味で一貫したものであることを示す。
論文参考訳（メタデータ） (2020-06-10T14:47:43Z)
Detecting Symmetries with Neural Networks [0.0]
ニューラルネットワークの埋め込み層における構造を広範囲に活用する。我々は、対称性が存在するかどうかを特定し、入力中の対称性の軌道を特定する。この例では、グラフの観点で新しいデータ表現を示す。
論文参考訳（メタデータ） (2020-03-30T17:58:24Z)
Assignment Flows for Data Labeling on Graphs: Convergence and Stability [69.68068088508505]
本稿では、連続時間割当フローを積分代入(ラベル)に収束させることを保証する重みパラメータの条件を確立する。いくつかの反例は、条件違反は、文脈データ分類に関する代入フローの好ましくない振る舞いを伴う可能性があることを示している。
論文参考訳（メタデータ） (2020-02-26T15:45:38Z)
Learning Similarity Metrics for Numerical Simulations [29.39625644221578]
本稿では,様々な数値シミュレーションソースから得られるデータを比較するため,安定かつ一般化された指標(LSiM)をニューラルネットワークで計算する手法を提案する。提案手法は,計量の数学的性質を動機としたシームズネットワークアーキテクチャを用いている。
論文参考訳（メタデータ） (2020-02-18T20:11:15Z)

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。