論文の概要: Unsupervised Learning of Global Factors in Deep Generative Models
- arxiv url: http://arxiv.org/abs/2012.08234v2
- Date: Wed, 16 Dec 2020 09:15:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-08 06:04:28.458019
- Title: Unsupervised Learning of Global Factors in Deep Generative Models
- Title（参考訳）: 深部生成モデルにおける大域的要因の教師なし学習
- Authors: Ignacio Peis, Pablo M. Olmos and Antonio Art\'es-Rodr\'iguez
- Abstract要約: 非i.i.dに基づく新しい深層生成モデルを提案する。
変分オートエンコーダ。
モデルがドメインアライメントを行い、相関関係を見つけ、異なるデータベース間で補間することを示す。
また、非自明な基礎構造を持つ観測群を区別するグローバル空間の能力についても研究する。
- 参考スコア（独自算出の注目度）: 6.362733059568703
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present a novel deep generative model based on non i.i.d. variational
autoencoders that captures global dependencies among observations in a fully
unsupervised fashion. In contrast to the recent semi-supervised alternatives
for global modeling in deep generative models, our approach combines a mixture
model in the local or data-dependent space and a global Gaussian latent
variable, which lead us to obtain three particular insights. First, the induced
latent global space captures interpretable disentangled representations with no
user-defined regularization in the evidence lower bound (as in $\beta$-VAE and
its generalizations). Second, we show that the model performs domain alignment
to find correlations and interpolate between different databases. Finally, we
study the ability of the global space to discriminate between groups of
observations with non-trivial underlying structures, such as face images with
shared attributes or defined sequences of digits images.
- Abstract（参考訳）: 非i.i.d.に基づく新しい深層生成モデルを提案する。
完全に教師なしの方法で観察間のグローバルな依存関係をキャプチャする変分オートエンコーダ。
近年の深部生成モデルにおける大域的モデリングのための半教師付き代替案とは対照的に、局所的あるいはデータ依存空間における混合モデルと大域ガウス潜在変数を組み合わせることで、3つの特別な洞察を得ることができた。
第一に、帰納的大域空間は、($\beta$-VAEとその一般化のように)エビデンスの下界におけるユーザ定義正規化のない解釈不能な非交叉表現をキャプチャする。
第二に、モデルがドメインアライメントを行い、相関関係を見つけ、異なるデータベース間で補間することを示す。
最後に,共有属性を持つ顔画像やデジット画像の定義配列など,非自明な基盤構造を持つ観測群を区別する大域空間の能力について検討した。
関連論文リスト
- Two-stage hybrid models for enhancing forecasting accuracy on heterogeneous time series [0.6506991840948217]
シリーズごとに構築されたローカルモデルと比較して、グローバルモデルは時系列を通して関連する情報を活用する。
異種データを扱う場合、グローバルモデルの利点は必ずしも実現されない。
時系列データが同質であるか不均一であるかを決定することは、実際は曖昧である。
本稿では,異種パターンを同定・モデル化する第2段階を含む2段階ハイブリッドモデルを提案する。
論文 参考訳（メタデータ） (2025-02-12T17:39:02Z) - Linking Robustness and Generalization: A k* Distribution Analysis of Concept Clustering in Latent Space for Vision Models [56.89974470863207]
本稿では,局所的近傍解析手法であるk*分布を用いて,個々の概念のレベルで学習された潜伏空間について検討する。
視覚モデルの潜在空間の全体的品質を評価するために、個々の概念を解釈するための歪度に基づく真および近似メトリクスを導入する。
論文 参考訳（メタデータ） (2024-08-17T01:43:51Z) - Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。
因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
論文 参考訳（メタデータ） (2024-06-07T14:29:21Z) - ProtoVAE: Prototypical Networks for Unsupervised Disentanglement [1.6114012813668934]
本稿では,自己スーパービジョンを用いて学習した深層学習型プロトタイプネットワークを活用する,新しい深部生成型VAEモデルProtoVAEを提案する。
我々のモデルは、完全に教師なしであり、要素数を含むデータセットの事前知識を必要としない。
提案手法をベンチマークdSprites, 3DShapes, MPI3Dディジアングルメントデータセット上で評価した。
論文 参考訳（メタデータ） (2023-05-16T01:29:26Z) - Style-Hallucinated Dual Consistency Learning: A Unified Framework for
Visual Domain Generalization [113.03189252044773]
本稿では,様々な視覚的タスクにおけるドメインシフトを処理するための統合フレームワークであるStyle-HAllucinated Dual consistEncy Learning (SHADE)を提案する。
我々の汎用SHADEは、画像分類、セマンティックセグメンテーション、オブジェクト検出など、様々な視覚認識タスクにおける一般化を著しく向上させることができる。
論文 参考訳（メタデータ） (2022-12-18T11:42:51Z) - Towards Understanding and Mitigating Dimensional Collapse in Heterogeneous Federated Learning [112.69497636932955]
フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。
本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。
フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
論文 参考訳（メタデータ） (2022-10-01T09:04:17Z) - Federated and Generalized Person Re-identification through Domain and
Feature Hallucinating [88.77196261300699]
人物再識別(re-ID)におけるフェデレーションドメイン一般化(FedDG)の問題について検討する。
一般化された局所的・グローバルなモデルを学ぶための多様な特徴を創出する手法として,DFH (Domain and Feature Hallucinating) を提案する。
提案手法は4つの大規模re-IDベンチマークにおいてFedDGの最先端性能を実現する。
論文 参考訳（メタデータ） (2022-03-05T09:15:13Z) - Partial Order in Chaos: Consensus on Feature Attributions in the
Rashomon Set [50.67431815647126]
ポストホックなグローバル/ローカルな特徴属性法は、機械学習モデルを理解するために徐々に採用されている。
この手法により局所的・言語的特徴の半順序が生じることを示す。
これらの部分的な順序に現れる特徴間の関係は、既存のアプローチによって提供されたランクにも当てはまることを示す。
論文 参考訳（メタデータ） (2021-10-26T02:53:14Z) - An Explicit Local and Global Representation Disentanglement Framework
with Applications in Deep Clustering and Unsupervised Object Detection [9.609936822226633]
我々はSPLITと呼ばれるフレームワークを提案し、ローカルおよびグローバルな情報を解き放つことができる。
我々のフレームワークは、可変オートエンコーダ(VAE)フレームワークに生成仮定を追加する。
このフレームワークは,これらのモデル内の局所的およびグローバル的情報を効果的に切り離すことができることを示す。
論文 参考訳（メタデータ） (2020-01-24T12:09:20Z)
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。