論文の概要: A prior-based approximate latent Riemannian metric

• arxiv url: http://arxiv.org/abs/2103.05290v1
• Date: Tue, 9 Mar 2021 08:31:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-10 15:09:16.961310
• Title: A prior-based approximate latent Riemannian metric
• Title（参考訳）: 先述の近似的潜在リーマン計量法
• Authors: Georgios Arvanitidis, Bogdan Georgiev, Bernhard Sch\"olkopf
• Abstract要約: 本研究では,単純かつ効率的かつ堅牢な生成モデルの潜在空間におけるサーロゲート共形生成メトリックを提案する。 提案する計量の挙動を理論的に解析し,実際に使用することは理にかなっていることを示す。 また,提案手法を生命科学におけるデータ分析に適用する可能性を示す。
• 参考スコア（独自算出の注目度）: 3.716965622352967
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stochastic generative models enable us to capture the geometric structure of a data manifold lying in a high dimensional space through a Riemannian metric in the latent space. However, its practical use is rather limited mainly due to inevitable complexity. In this work we propose a surrogate conformal Riemannian metric in the latent space of a generative model that is simple, efficient and robust. This metric is based on a learnable prior that we propose to learn using a basic energy-based model. We theoretically analyze the behavior of the proposed metric and show that it is sensible to use in practice. We demonstrate experimentally the efficiency and robustness, as well as the behavior of the new approximate metric. Also, we show the applicability of the proposed methodology for data analysis in the life sciences.
• Abstract（参考訳）: 確率的生成モデルは、潜在空間内のリーマン計量を通して高次元空間に横たわるデータ多様体の幾何学的構造を捉えることができる。 しかし、その実用性は必然的な複雑さによってかなり制限されている。 本研究では,単純かつ効率的かつ堅牢な生成モデルの潜在空間におけるサーロゲート共形リーマン計量を提案する。 この計量は、基礎的なエネルギーモデルを用いて学習することを提案する学習可能な事前に基づいています。 提案する計量の挙動を理論的に解析し,実際に使用することは理にかなっていることを示す。 実験では, 有効性とロバスト性, および新しい近似計量の挙動を実験的に示す。 また,提案手法を生命科学におけるデータ分析に適用する可能性を示す。

関連論文リスト

• Score-based pullback Riemannian geometry [10.649159213723106]
  本稿では,データ駆動型リーマン幾何学のフレームワークを提案する。 データサポートを通して高品質な測地学を作成し、データ多様体の固有次元を確実に推定する。 我々のフレームワークは、訓練中に等方性正規化を採用することで、自然に異方性正規化フローで使用することができる。
  論文  参考訳（メタデータ） (2024-10-02T18:52:12Z)
• Isometric Immersion Learning with Riemannian Geometry [4.987314374901577]
  等尺性の理論的な保証を提供する多様体学習方法はまだ存在しない。 ナッシュの等尺定理に触発され、等尺浸漬学習と呼ばれる新しい概念を導入する。 計量学習と多様体学習を同時に行う教師なしニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2024-09-23T07:17:06Z)
• (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)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• An evaluation framework for dimensionality reduction through sectional curvature [59.40521061783166]
  本研究は,非教師付き次元減少性能指標を初めて導入することを目的としている。 その実現可能性をテストするために、この測定基準は最もよく使われる次元削減アルゴリズムの性能を評価するために用いられている。 新しいパラメータ化問題インスタンスジェネレータが関数ジェネレータの形式で構築されている。
  論文  参考訳（メタデータ） (2023-03-17T11:59:33Z)
• Identifying latent distances with Finslerian geometry [6.0188611984807245]
  生成モデルにより、データ空間と測地学は最も非現実的であり、操作が不可能である。 本研究では,引き戻し距離の期待値が明示的に最小となる別の測度を提案する。 高次元では、どちらの測度も$Oleft(frac1Dright)$の速度で収束することが証明される。
  論文  参考訳（メタデータ） (2022-12-20T05:57:27Z)
• Riemannian Metric Learning via Optimal Transport [34.557360177483595]
  進化する確率測度の断面サンプルからメトリックを学習するための最適輸送ベースモデルを提案する。 本手法を用いて学習したメトリクスは,cRNAと鳥の移動データに基づく軌道推定の精度を向上させる。
  論文  参考訳（メタデータ） (2022-05-18T23:32:20Z)
• Nonparametric Functional Analysis of Generalized Linear Models Under Nonlinear Constraints [0.0]
  本稿では、一般化線形モデルのための新しい非パラメトリック方法論を紹介する。 これは二項回帰の強さとカテゴリーデータに対する潜在変数の定式化の強さを組み合わせたものである。 これは最近公開された方法論のパラメトリックバージョンを拡張し、一般化する。
  論文  参考訳（メタデータ） (2021-10-11T04:49:59Z)
• 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)
• Bayesian Quadrature on Riemannian Data Manifolds [79.71142807798284]
  データに固有の非線形幾何学構造をモデル化する原則的な方法が提供される。 しかし、これらの演算は通常計算的に要求される。 特に、正規法則上の積分を数値計算するためにベイズ二次(bq)に焦点を当てる。 先行知識と活発な探索手法を両立させることで,BQは必要な評価回数を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2021-02-12T17:38:04Z)
• On the minmax regret for statistical manifolds: the role of curvature [68.8204255655161]
  2つの部分のコードと最小記述長は、最高のモデルを選別するための手順を提供するのに成功している。 我々は、フィッシャー情報計量のスカラー曲率が支配的な役割を果たす複雑さによって与えられる標準表現よりも、よりシャープな表現を導出する。
  論文  参考訳（メタデータ） (2020-07-06T17:28:19Z)

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。