論文の概要: Multiscale Invertible Generative Networks for High-Dimensional Bayesian Inference

• arxiv url: http://arxiv.org/abs/2105.05489v1
• Date: Wed, 12 May 2021 07:51:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-13 12:34:34.555018
• Title: Multiscale Invertible Generative Networks for High-Dimensional Bayesian Inference
• Title（参考訳）: 高次元ベイズ推論のためのマルチスケール非可逆生成ネットワーク
• Authors: Shumao Zhang, Pengchuan Zhang, Thomas Y. Hou
• Abstract要約: 高次元ベイズ推論を解くために,MsIGN(Multiscale Invertible Generative Network)を提案する。 MsIGNは後部の低次元の性質を利用し、粗さから微細なスケールまでサンプルを生成します。 自然な画像合成タスクでは、MsIGNはベースラインモデルよりもビット/次元で優れた性能を実現します。
• 参考スコア（独自算出の注目度）: 9.953855915186352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a Multiscale Invertible Generative Network (MsIGN) and associated training algorithm that leverages multiscale structure to solve high-dimensional Bayesian inference. To address the curse of dimensionality, MsIGN exploits the low-dimensional nature of the posterior, and generates samples from coarse to fine scale (low to high dimension) by iteratively upsampling and refining samples. MsIGN is trained in a multi-stage manner to minimize the Jeffreys divergence, which avoids mode dropping in high-dimensional cases. On two high-dimensional Bayesian inverse problems, we show superior performance of MsIGN over previous approaches in posterior approximation and multiple mode capture. On the natural image synthesis task, MsIGN achieves superior performance in bits-per-dimension over baseline models and yields great interpret-ability of its neurons in intermediate layers.
• Abstract（参考訳）: 本研究では,多スケール構造を利用して高次元ベイズ推定を解くマルチスケールインバータブル生成ネットワーク(msign)と関連する学習アルゴリズムを提案する。 次元の呪いに対処するため、msignは後方の低次元の性質を利用して、サンプルの反復的なサンプリングと精錬によって粗大から細かなスケール(低次元から高次元)のサンプルを生成する。 MsIGNはジェフリーズ発散を最小限に抑えるために多段階的に訓練されており、高次元の場合のモード降下を避ける。 2つの高次元ベイズ逆問題に対して、MsIGNの後方近似と多重モードキャプチャにおける従来の手法よりも優れた性能を示す。 自然な画像合成タスクでは、MsIGNはベースラインモデルよりもビット単位の次元で優れた性能を達成し、中間層におけるニューロンの解釈可能性を大きく向上させる。

関連論文リスト

• Self-Parameterization Based Multi-Resolution Mesh Convolution Networks [0.0]
  本稿では,メッシュ畳み込みニューラルネットワークを3次元メッシュ密度予測のために設計する際の課題について述べる。 まず、高分解能入力データから直接多分解能メッシュピラミッドを構築する。 第二に、マルチ解像度畳み込みネットワークにおける高分解能表現を維持し、マルチスケールの融合を可能にする。
  論文  参考訳（メタデータ） (2024-08-25T08:11:22Z)
• Multi-scale Unified Network for Image Classification [33.560003528712414]
  CNNは、実世界のマルチスケール画像入力を扱う際に、性能と計算効率において顕著な課題に直面している。 本稿では,マルチスケール,統一ネットワーク,スケール不変制約からなるMultiscale Unified Network(MUSN)を提案する。 MUSNは精度が44.53%向上し、マルチスケールシナリオではFLOPを7.01-16.13%減少させる。
  論文  参考訳（メタデータ） (2024-03-27T06:40:26Z)
• Hierarchical Integration Diffusion Model for Realistic Image Deblurring [71.76410266003917]
  拡散モデル (DM) は画像劣化に導入され, 有望な性能を示した。 本稿では,階層型統合拡散モデル(HI-Diff)を提案する。 人工的および実世界のぼかしデータセットの実験は、HI-Diffが最先端の手法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-05-22T12:18:20Z)
• Multilevel Diffusion: Infinite Dimensional Score-Based Diffusion Models for Image Generation [2.5556910002263984]
  スコアベース拡散モデル (SBDM) は画像生成のための最先端のアプローチとして登場した。 本稿では, 無限次元のSBDM, すなわち, 矩形領域でサポートされている関数としてトレーニングデータをモデル化する。 無限次元設定において、現在のSBDMアプローチの2つの欠点を克服する方法を実証する。
  論文  参考訳（メタデータ） (2023-03-08T18:10:10Z)
• Denoising Diffusion Restoration Models [110.1244240726802]
  Denoising Diffusion Restoration Models (DDRM) は効率的で教師なしの後方サンプリング手法である。 DDRMの汎用性を、超高解像度、デブロアリング、インペイント、カラー化のためにいくつかの画像データセットに示す。
  論文  参考訳（メタデータ） (2022-01-27T20:19:07Z)
• High-dimensional Assisted Generative Model for Color Image Restoration [12.459091135428885]
  本研究は,カラー画像復元作業において,高次元のスコアベース生成モデルを利用する教師なしのディープラーニング手法を提案する。 スコアベース生成モデルにおけるサンプル数と内部次元を考慮すると、チャネルコピー変換はサンプル数を増やし、ピクセルスケール変換は実現可能な次元空間を減少させる2つの異なる高次元方法が提案される。 高次元表現を学習することの難しさを軽減するために,性能を活用するためのプログレッシブ戦略を提案する。
  論文  参考訳（メタデータ） (2021-08-14T04:05:29Z)
• Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
  本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。 クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。 MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
  論文  参考訳（メタデータ） (2021-06-08T00:30:43Z)
• Bayesian multiscale deep generative model for the solution of high-dimensional inverse problems [0.0]
  深層確率的生成モデルに基づく新しいマルチスケールベイズ推論手法が導入された。 この方法は、安定性、効率、精度を示しながら、高次元パラメータ推定を可能にする。
  論文  参考訳（メタデータ） (2021-02-04T11:47:21Z)
• Shaping Deep Feature Space towards Gaussian Mixture for Visual Classification [74.48695037007306]
  視覚分類のためのディープニューラルネットワークのためのガウス混合損失関数(GM)を提案する。 分類マージンと可能性正規化により、GM損失は高い分類性能と特徴分布の正確なモデリングの両方を促進する。 提案したモデルは、追加のトレーニング可能なパラメータを使わずに、簡単かつ効率的に実装できる。
  論文  参考訳（メタデータ） (2020-11-18T03:32:27Z)
• Deep Autoencoding Topic Model with Scalable Hybrid Bayesian Inference [55.35176938713946]
  我々は、ガンマ分布の階層構造を用いて、その多確率層生成ネットワークを構築するディープ・オートエンコーディング・トピック・モデル(DATM)を開発した。 Weibull上向き変分エンコーダを提案する。このエンコーダは深層ニューラルネットワークを介して情報を上向きに伝播し,次いで下向き生成モデルを提案する。 大規模コーパス上での教師なしおよび教師なしの学習タスクにおいて,モデルの有効性とスケーラビリティを実証した。
  論文  参考訳（メタデータ） (2020-06-15T22:22:56Z)
• Multiscale Deep Equilibrium Models [162.15362280927476]
  マルチスケールディープ均衡モデル(MDEQ)を新たに提案する。 MDEQは、複数の特徴分解の平衡点を直接解き、同時に伝播する。 本稿では,Cityscapesデータセットの高解像度画像に対するイメージネット分類とセマンティックセグメンテーションの2つの大規模ビジョンタスクにおけるこのアプローチの有効性について述べる。
  論文  参考訳（メタデータ） (2020-06-15T18:07:44Z)

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。