Fugu-MT 論文翻訳(概要): Better Latent Spaces for Better Autoencoders

論文の概要: Better Latent Spaces for Better Autoencoders

arxiv url: http://arxiv.org/abs/2104.08291v1
Date: Fri, 16 Apr 2021 18:00:05 GMT
ステータス: 処理完了
システム内更新日: 2021-04-20 13:33:03.172596
Title: Better Latent Spaces for Better Autoencoders
Title（参考訳）: より良いオートエンコーダのための潜時空間
Authors: Barry M. Dillon, Tilman Plehn, Christof Sauer, Peter Sorrenson
Abstract要約: 我々は(可変)オートエンコーダの潜在空間から分類器を導出する。特に、dirichletセットアップは問題を解決し、ネットワークのパフォーマンスと解釈性の両方を改善します。
参考スコア（独自算出の注目度）: 1.911678487931003
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Autoencoders as tools behind anomaly searches at the LHC have the structural problem that they only work in one direction, extracting jets with higher complexity but not the other way around. To address this, we derive classifiers from the latent space of (variational) autoencoders, specifically in Gaussian mixture and Dirichlet latent spaces. In particular, the Dirichlet setup solves the problem and improves both the performance and the interpretability of the networks.
Abstract（参考訳）: lhcで異常を検索するツールとしてのオートエンコーダは、一方の方向にのみ動くという構造的な問題があり、より複雑なジェットを抽出し、その逆ではない。これに対処するために、我々は(可変)オートエンコーダの潜在空間、特にガウス混合とディリクレ潜在空間から分類器を導出する。特にディリクレのセットアップはこの問題を解決し、ネットワークの性能と解釈性の両方を改善している。

関連論文リスト

Rank Reduction Autoencoders -- Enhancing interpolation on nonlinear manifolds [3.180674374101366]
Rank Reduction Autoencoder (RRAE) は、拡張された潜在空間を持つオートエンコーダである。 2つの定式化(強式と弱式)が提示され、潜在空間を正確に表現する還元基底が構築される。タスクに使用し、結果を他のオートエンコーダと比較することにより、この定式化の効率性を示す。
論文参考訳（メタデータ） (2024-05-22T20:33:09Z)
Triple-Encoders: Representations That Fire Together, Wire Together [51.15206713482718]
コントラスト学習(Contrastive Learning)は、バイエンコーダを介して発話間の相対距離を埋め込み空間に符号化する表現学習法である。本研究では,これら独立に符号化された発話から分散発話混合物を効率よく計算する三重エンコーダを提案する。トリプルエンコーダはバイエンコーダよりも大幅に改善され、シングルベクトル表現モデルよりもゼロショットの一般化が向上することがわかった。
論文参考訳（メタデータ） (2024-02-19T18:06:02Z)
Differentiable VQ-VAE's for Robust White Matter Streamline Encodings [33.936125620525]
オートエンコーダは、低次元ラテント空間における解析の合理性を簡素化する次元還元ツールとして提案されている。本稿では,単一のデータポイントとしてストリームラインの全バンドルを取り込み,可変ベクトル量子化変分自動エンコーダを提案する。
論文参考訳（メタデータ） (2023-11-10T17:59:43Z)
ASAG: Building Strong One-Decoder-Layer Sparse Detectors via Adaptive Sparse Anchor Generation [50.01244854344167]
適応スパースアンカージェネレータ(ASAG)の提案により、スパース検出器と密度検出器のパフォーマンスギャップを橋渡しする。 ASAGは、グリッドではなくパッチの動的なアンカーを予測することで、機能競合の問題を軽減する。提案手法は高密度な手法より優れ,高速かつ高精度なトレードオフを実現する。
論文参考訳（メタデータ） (2023-08-18T02:06:49Z)
Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文参考訳（メタデータ） (2023-07-17T07:12:29Z)
Benign Autoencoders [0.0]
我々は最適なエンコーダとデコーダのペアを見つける問題を定式化し、その解を「良性オートエンコーダ」(BAE)と呼ぶ。我々は、BAEが生成問題の最適圧縮性次元である多様体にデータを投影することを証明した。実例として,分散シフト下での識別器の性能を向上させるために,BAEが最適で低次元の潜在表現を見出す方法を示す。
論文参考訳（メタデータ） (2022-10-02T21:36:27Z)
A Mechanism for Producing Aligned Latent Spaces with Autoencoders [10.373127181919147]
調整された潜在空間は、教師なしクラスタリングやデータ計算のような下流タスクの成功に重要な役割を果たしている。線形および非線形オートエンコーダは、データの左特異ベクトルに沿ってストレッチすることで、整列潜在空間を生成する。
論文参考訳（メタデータ） (2021-06-29T14:43:06Z)
Autoencoders for unsupervised anomaly detection in high energy physics [105.54048699217668]
QCDジェット画像の背景にあるトップジェット画像のタグ付けについて検討する。標準オートエンコーダ設定をモデル非依存の異常タガーとはみなせないことを示す。モデル非依存異常検出の課題に対する性能改善策を提案する。
論文参考訳（メタデータ） (2021-04-19T05:06:57Z)
AutoSpace: Neural Architecture Search with Less Human Interference [84.42680793945007]
現在のニューラルネットワークアーキテクチャ検索(NAS)アルゴリズムは、ネットワーク構築のための検索空間を設計するための専門知識と努力を必要とします。探索空間を最適なものに進化させる新しい微分可能な進化フレームワークであるAutoSpaceを提案する。学習した検索空間では、最近のNASアルゴリズムの性能は、以前手作業で設計した空間に比べて大幅に改善できる。
論文参考訳（メタデータ） (2021-03-22T13:28:56Z)
Learning Autoencoders with Relational Regularization [89.53065887608088]
データ分散のオートエンコーダを学習するための新しいフレームワークを提案する。エンフレレーショナル正規化によるモデルと対象分布の差を最小限にする我々はこのフレームワークを2つのスケーラブルアルゴリズムで実装し、確率的および決定論的オートエンコーダの両方に適用する。
論文参考訳（メタデータ） (2020-02-07T17:27:30Z)

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。