論文の概要: Membership-Mappings for Data Representation Learning
- arxiv url: http://arxiv.org/abs/2104.07060v1
- Date: Wed, 14 Apr 2021 18:10:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-17 08:36:45.710648
- Title: Membership-Mappings for Data Representation Learning
- Title(参考訳): データ表現学習のためのメンバーシップ・マッピング
- Authors: Mohit Kumar, Bernhard A. Moser, Lukas Fischer, Bernhard Freudenthaler
- Abstract要約: 本研究は,メンバーシップ・マッピングに基づくデータ表現モデルの変分学習に対する分析的アプローチを概説する。
Bre Divergence Based Conditionally Deep Autoencoderと呼ばれるDeep Autoencoderの別のアイデアが提示される。
- 参考スコア(独自算出の注目度): 11.764605963190817
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This study introduces using measure theoretic basis the notion of
membership-mapping for representing data points through attribute values
(motivated by fuzzy theory). A property of the membership-mapping, that can be
exploited for data representation learning, is of providing an interpolation on
the given data points in the data space. The study outlines an analytical
approach to the variational learning of a membership-mappings based data
representation model. An alternative idea of deep autoencoder, referred to as
Bregman Divergence Based Conditionally Deep Autoencoder (that consists of
layers such that each layer learns data representation at certain abstraction
level through a membership-mappings based autoencoder), is presented.
Experiments are provided to demonstrate the competitive performance of the
proposed framework in classifying high-dimensional feature vectors and in
rendering robustness to the classification.
- Abstract(参考訳): 本研究では,データポイントを属性値(ファジィ理論による動機付け)で表すためのメンバシップマッピングの概念を測度論的基礎を用いて導入する。
データ表現学習に活用できるメンバシップマッピングの特性は、データ空間内の与えられたデータポイントに対する補間を提供することである。
本研究は,メンバーシップ・マッピングに基づくデータ表現モデルの変分学習に対する分析的アプローチを概説する。
ディープオートエンコーダの別のアイデアとして、Bregman Divergence Based Conditionally Deep Autoencoder(各レイヤがメンバシップマッピングベースのオートエンコーダを通じて、ある抽象化レベルでデータ表現を学習する層で構成される)がある。
提案するフレームワークの高次元特徴ベクトルの分類における競合性能と,その分類に対するロバスト性を示す実験を行った。
関連論文リスト
- Prospector Heads: Generalized Feature Attribution for Large Models &
Data [63.33062996732212]
本稿では,特徴帰属のための説明に基づく手法の,効率的かつ解釈可能な代替手段であるプロスペクタヘッドを紹介する。
入力データにおけるクラス固有のパターンの解釈と発見を、プロファイラヘッドがいかに改善できるかを実証する。
論文 参考訳(メタデータ) (2024-02-18T23:01:28Z) - Deciphering 'What' and 'Where' Visual Pathways from Spectral Clustering
of Layer-Distributed Neural Representations [17.524421985810577]
本稿では,ニューラルネットワークのアクティベーションに含まれる情報をグループ化する手法を提案する。
すべてのレイヤの機能を利用して、モデルのどの部分が関連する情報を含んでいるのかを推測する必要をなくします。
論文 参考訳(メタデータ) (2023-12-11T01:20:34Z) - Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳(メタデータ) (2023-09-25T12:31:18Z) - Learning ECG signal features without backpropagation [0.0]
時系列型データの表現を生成する新しい手法を提案する。
この方法は理論物理学の考えに頼り、データ駆動方式でコンパクトな表現を構築する。
本稿では,ECG信号分類の課題に対するアプローチの有効性を示す。
論文 参考訳(メタデータ) (2023-07-04T21:35:49Z) - Fascinating Supervisory Signals and Where to Find Them: Deep Anomaly
Detection with Scale Learning [11.245813423781415]
我々は、データラベルとして特性-スケール-を導入することで、データのための新しいデータ駆動監視を考案する。
スケールは変換された表現にアタッチされたラベルとして機能し、ニューラルネットワークのトレーニングに十分なラベル付きデータを提供する。
本稿では,大規模学習に基づく異常検出手法を提案する。
論文 参考訳(メタデータ) (2023-05-25T14:48:00Z) - A topological classifier to characterize brain states: When shape
matters more than variance [0.0]
トポロジカルデータ分析(TDA)は、永続化記述子を用いてデータ雲の形状を研究することを目的としている。
本稿では,データサブセットへの新たな入力の追加によるトポロジカルメトリクスの定量化変化の原理に基づいた,TDAに基づく新しい分類手法を提案する。
論文 参考訳(メタデータ) (2023-03-07T20:45:15Z) - Metric Distribution to Vector: Constructing Data Representation via
Broad-Scale Discrepancies [15.40538348604094]
本稿では,各データに対するベクトル表現に分布特性を抽出するために, $mathbfMetricDistribution2vec$ という新しい埋め込み方式を提案する。
本研究では,広範囲な実世界構造グラフデータセット上での教師付き予測タスクにおける表現法の適用と有効性を示す。
論文 参考訳(メタデータ) (2022-10-02T03:18:30Z) - Evaluation of Self-taught Learning-based Representations for Facial
Emotion Recognition [62.30451764345482]
この研究は、顔の感情認識のための自己学習の概念を通じて得られた教師なし表現を生成するための様々な戦略を記述する。
このアイデアは、オートエンコーダの初期化、アーキテクチャ、トレーニングデータを変化させることで、多様性を促進する補完的な表現を作ることである。
Jaffe と Cohn-Kanade のデータセットに対する残余のサブジェクトアウトプロトコルによる実験結果から,提案した多種多様な表現に基づく FER 手法が最先端のアプローチと好適に比較できることが示唆された。
論文 参考訳(メタデータ) (2022-04-26T22:48:15Z) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳(メタデータ) (2021-10-31T16:15:09Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳(メタデータ) (2021-06-09T12:02:29Z) - Deep Learning feature selection to unhide demographic recommender
systems factors [63.732639864601914]
行列分解モデルは意味的知識を含まない因子を生成する。
DeepUnHideは、協調フィルタリングレコメンデータシステムにおいて、ユーザとアイテムファクタから、人口統計情報を抽出することができる。
論文 参考訳(メタデータ) (2020-06-17T17:36:48Z)
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。