論文の概要: Representation of 2D frame less visual space as a neural manifold and
its information geometric interpretation
- arxiv url: http://arxiv.org/abs/2011.13585v1
- Date: Fri, 27 Nov 2020 07:21:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 01:56:50.589811
- Title: Representation of 2D frame less visual space as a neural manifold and
its information geometric interpretation
- Title（参考訳）: 神経多様体としての2次元フレーム非視覚空間の表現とその情報幾何解釈
- Authors: Debasis Mazumdar
- Abstract要約: 視覚空間の双曲性の起源は神経科学の証拠を用いて研究されている。
ヒト脳内の空間情報の処理は、フィッシャー・ラオ計量によって与えられるパラメトリック確率空間でモデル化することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Representation of 2D frame less visual space as neural manifold and its
modelling in the frame work of information geometry is presented. Origin of
hyperbolic nature of the visual space is investigated using evidences from
neuroscience. Based on the results we propose that the processing of spatial
information, particularly estimation of distance, perceiving geometrical curves
etc. in the human brain can be modeled in a parametric probability space
endowed with Fisher-Rao metric. Compactness, convexity and differentiability of
the space is analysed and found that they obey the axioms of G space, proposed
by Busemann. Further it is shown that it can be considered as a homogeneous
Riemannian space of constant negative curvature. It is therefore ensured that
the space yields geodesics into it. Computer simulation of geodesics
representing a number of visual phenomena and advocating the hyperbolic
structure of visual space is carried out. Comparison of the simulated results
with the published experimental data is presented.
- Abstract（参考訳）: 情報幾何学のフレームワークにおけるニューラル多様体としての2次元フレームの表現とモデリングについて述べる。
視覚空間の双曲性の起源は神経科学の証拠を用いて研究されている。
そこで本研究では,ヒト脳における空間情報の処理,特に距離の推定,幾何学曲線の知覚等を,フィッシャー・ラオ計量を用いたパラメトリック確率空間でモデル化できることを提案する。
空間のコンパクト性、凸性、微分性は解析され、ブセマンが提唱した G 空間の公理に従うことが分かる。
さらに、これは定数負曲率の斉次リーマン空間と考えることができる。
したがって、空間が測地線を生じさせることが保証される。
多くの視覚現象を表す測地学の計算機シミュレーションを行い、視覚空間の双曲構造を提唱する。
シミュレーション結果と公開実験データの比較を行った。
関連論文リスト
- Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations [0.0]
我々は、幅広いシミュレーションから有用な科学的洞察を得るための、新しい、偏見のない、機械学習に基づくアプローチについて説明する。
我々の概念は、低次元空間におけるデータのコンパクトな表現を学習するために非線形次元削減を適用することに基づいている。
本稿では、回転不変な超球面変動畳み込み自己エンコーダを用いて、潜時空間の電力分布を利用して、IllustrisTNGシミュレーションから銀河を訓練したプロトタイプを提案する。
論文 参考訳（メタデータ） (2024-06-06T07:34:58Z) - Quantum Scattering of Spinless Particles in Riemannian Manifolds [0.0]
量子力学は基礎空間の幾何学に敏感である。
二次元空間に制限された非相対論的粒子の量子散乱の枠組みを提案する。
論文 参考訳（メタデータ） (2024-02-16T10:50:50Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳（メタデータ） (2023-11-29T12:48:33Z) - Alignment and Outer Shell Isotropy for Hyperbolic Graph Contrastive
Learning [69.6810940330906]
高品質なグラフ埋め込みを学習するための新しいコントラスト学習フレームワークを提案する。
具体的には、階層的なデータ不変情報を効果的にキャプチャするアライメントメトリックを設計する。
双曲空間において、木の性質に関連する葉と高さの均一性に対処する必要があることを示す。
論文 参考訳（メタデータ） (2023-10-27T15:31:42Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - Shape And Structure Preserving Differential Privacy [70.08490462870144]
正方形距離関数の勾配がラプラス機構よりも感度をよりよく制御できることを示す。
また,2乗距離関数の勾配を用いることで,ラプラス機構よりも感度を制御できることを示す。
論文 参考訳（メタデータ） (2022-09-21T18:14:38Z) - Geometry Interaction Knowledge Graph Embeddings [153.69745042757066]
ユークリッド空間,双曲空間,超球空間間の空間構造を対話的に学習する幾何学的相互作用知識グラフ埋め込み(GIE)を提案する。
提案したGIEは、よりリッチなリレーショナル情報、モデルキー推論パターンをキャプチャし、エンティティ間の表現的セマンティックマッチングを可能にする。
論文 参考訳（メタデータ） (2022-06-24T08:33:43Z) - The Geometry of Deep Generative Image Models and its Applications [0.0]
generative adversarial networks (gans) は、実世界のデータセットの統計パターンをモデル化する強力な教師なし手法として登場した。
これらのネットワークは、潜在空間内のランダムな入力を学習データを表す新しいサンプルにマップするように訓練される。
潜在空間の構造は、その高い寸法性と発電機の非線形性のために内挿しが困難である。
論文 参考訳（メタデータ） (2021-01-15T07:57:33Z) - Ultrahyperbolic Representation Learning [13.828165530602224]
機械学習では、データは通常、点間の距離が直線に沿っているユークリッド空間で表現される。
定数非零曲率の擬リーマン多様体上に存在する表現を提案する。
この幾何学において必要な学習ツールを提供し、勾配に基づく最適化手法を拡張した。
論文 参考訳（メタデータ） (2020-07-01T03:49:24Z) - Geometry of Similarity Comparisons [51.552779977889045]
空間形式の順序容量は、その次元と曲率の符号に関係していることを示す。
さらに重要なことは、類似性グラフ上で定義された順序拡散確率変数の統計的挙動が、その基礎となる空間形式を特定するのに利用できることである。
論文 参考訳（メタデータ） (2020-06-17T13:37:42Z)
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。