Fugu-MT 論文翻訳(概要): Tractable loss function and color image generation of multinary restricted Boltzmann machine

論文の概要: Tractable loss function and color image generation of multinary restricted Boltzmann machine

arxiv url: http://arxiv.org/abs/2011.13509v1
Date: Fri, 27 Nov 2020 00:50:59 GMT
ステータス: 処理完了
システム内更新日: 2022-09-20 01:47:46.534202
Title: Tractable loss function and color image generation of multinary restricted Boltzmann machine
Title（参考訳）: マルチナリー制限ボルツマン機の搬送損失機能とカラー画像生成
Authors: Juno Hwang and Wonseok Hwang and Junghyo Jo
Abstract要約: 制限ボルツマンマシン(RBM)は統計力学の概念に基づく代表的生成モデルである。解釈可能性の強い利点にもかかわらず、バックプロパゲーションの不可能さは、他の生成モデルよりも競争力を低下させる。
参考スコア（独自算出の注目度）: 4.221871357181261
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The restricted Boltzmann machine (RBM) is a representative generative model based on the concept of statistical mechanics. In spite of the strong merit of interpretability, unavailability of backpropagation makes it less competitive than other generative models. Here we derive differentiable loss functions for both binary and multinary RBMs. Then we demonstrate their learnability and performance by generating colored face images.
Abstract（参考訳）: 制限ボルツマンマシン(RBM)は統計力学の概念に基づく代表的な生成モデルである。解釈可能性の強い利点にもかかわらず、バックプロパゲーションの非利用性は、他の生成モデルよりも競争力を低下させる。ここで、二元および多元 rbms の可微分損失関数を導出する。次に,色付き顔画像を生成することで,学習性と性能を示す。

関連論文リスト

MMAR: Towards Lossless Multi-Modal Auto-Regressive Probabilistic Modeling [64.09238330331195]
本稿では,MMAR(Multi-Modal Auto-Regressive)確率モデルフレームワークを提案する。離散化の手法とは異なり、MMARは情報損失を避けるために連続的に評価された画像トークンを取り入れる。 MMARは他のジョイントマルチモーダルモデルよりもはるかに優れた性能を示す。
論文参考訳（メタデータ） (2024-10-14T17:57:18Z)
Fine-Tuning of Continuous-Time Diffusion Models as Entropy-Regularized Control [54.132297393662654]
拡散モデルは、自然画像やタンパク質のような複雑なデータ分布を捉えるのに優れている。拡散モデルはトレーニングデータセットの分布を表現するために訓練されるが、私たちはしばしば、生成された画像の美的品質など他の特性にもっと関心を持っている。本稿では,本フレームワークが真に報酬の高い多種多様なサンプルを効率よく生成できることを示す理論的,実証的な証拠を示す。
論文参考訳（メタデータ） (2024-02-23T08:54:42Z)
Structural Restricted Boltzmann Machine for image denoising and classification [0.0]
制限ボルツマンマシン(英: Restricted Boltzmann Machines)は、可視単位の別の層に接続された隠れ変数の層からなる生成モデルである。本稿では,隠れたユニットの接続を可視単位の部分集合に制限する構造制限ボルツマンマシンモデルを提案する。その結果,提案モデルではより高速かつ安定なトレーニングが可能であり,可視ユニットと隠蔽ユニットの接続が制限されていないRAMに比べ,良好な結果が得られることがわかった。
論文参考訳（メタデータ） (2023-06-16T05:18:26Z)
Learning the Degradation Distribution for Blind Image Super-Resolution [43.95832398891317]
本稿では,確率分解モデル (PDM) を提案する。 PDMはより多様な劣化をモデル化し、試験画像の様々な劣化をよりよくカバーするHR-LRペアを生成することができる。
論文参考訳（メタデータ） (2022-03-09T11:30:38Z)
Fast Ensemble Learning Using Adversarially-Generated Restricted Boltzmann Machines [0.0]
Restricted Boltzmann Machine (RBM)は近年注目され、データ確率分布をモデル化するエネルギーベースの構造に依存している。本稿では,事前学習した重み行列がGAN入力として機能するAdversarial Learningを用いて,RBMを人工的に生成することを提案する。画像再構成および画像分類タスクにおける提案手法の有効性を実験的に検証した。
論文参考訳（メタデータ） (2021-01-04T16:00:47Z)
Restricted Boltzmann Machine, recent advances and mean-field theory [0.8702432681310401]
Restricted Boltzmann Machine (RBM) を統計物理学の光の下で扱う。 RBMは機械学習(ML)モデルの古典的なファミリーであり、ディープラーニングの発展において中心的な役割を果たした。
論文参考訳（メタデータ） (2020-11-23T10:08:53Z)
Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
論文参考訳（メタデータ） (2020-11-18T03:32:27Z)
Learning Efficient GANs for Image Translation via Differentiable Masks and co-Attention Distillation [130.30465659190773]
Generative Adversarial Networks (GAN) は画像翻訳において広く利用されているが、その高い計算とストレージコストがモバイルデバイスへの展開を妨げる。 DMADと呼ばれる新しいGAN圧縮手法を提案する。実験の結果、DMADはCycleGANのMultiply Accumulate Operations (MAC)を13倍、Pix2Pixを4倍削減し、フルモデルに匹敵する性能を維持することができた。
論文参考訳（メタデータ） (2020-11-17T02:39:19Z)
Encoding Robustness to Image Style via Adversarial Feature Perturbations [72.81911076841408]
我々は、画像画素ではなく特徴統計を直接摂動することで、頑健なモデルを生成することで、敵の訓練に適応する。提案手法であるAdvBN(Adversarial Batch Normalization)は,トレーニング中に最悪の機能摂動を発生させる単一ネットワーク層である。
論文参考訳（メタデータ） (2020-09-18T17:52:34Z)
A Loss Function for Generative Neural Networks Based on Watson's Perceptual Model [14.1081872409308]
変動オートエンコーダ(VAE)を訓練して現実的な画像を生成するには、画像類似性に対する人間の認識を反映する損失関数が必要である。本稿では,周波数空間における重み付き距離を計算し,輝度とコントラストマスキングを考慮したWatsonの知覚モデルに基づく損失関数を提案する。実験では、新しい損失関数で訓練されたVAEが、現実的で高品質な画像サンプルを生成した。
論文参考訳（メタデータ） (2020-06-26T15:36:11Z)
Understanding the Intrinsic Robustness of Image Distributions using Conditional Generative Models [87.00072607024026]
本稿では,2つの画像ベンチマークの内在的堅牢性について,$ell$摂動下で検討する。我々は、我々の理論によって示唆されるロバスト性限界と現在の最先端ロバストモデルによって達成される対角的ロバスト性の間に大きなギャップが存在することを示す。
論文参考訳（メタデータ） (2020-03-01T01:45:04Z)

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。