論文の概要: EXoN: EXplainable encoder Network
- arxiv url: http://arxiv.org/abs/2105.10867v1
- Date: Sun, 23 May 2021 07:04:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 11:34:14.812557
- Title: EXoN: EXplainable encoder Network
- Title(参考訳): EXoN: 説明可能なエンコーダネットワーク
- Authors: SeungHwan An, Jong-June Jeon, Hosik Choi
- Abstract要約: 説明可能エンコーダネットワーク(EXoN)により説明可能な潜在空間が得られる変分オートエンコーダ(VAE)の半教師付き学習手法を提案する。
負のクロスエントロピーとクルバック・リーバーの発散は説明可能な潜在空間を構成する上で重要な役割を果たす。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a new semi-supervised learning method of Variational AutoEncoder
(VAE) which yields explainable latent space by EXplainable encoder Network
(EXoN). The EXoN provides two useful tools for implementing VAE. First, we can
freely assign a conceptual center of latent distribution for a specific label.
We separate the latent space of VAE with multi-modal property of the Gaussian
mixture distribution according to labels of observations. Next, we can easily
investigate the latent subspace by a simple statistics, known as
$F$-statistics, obtained from the EXoN. We found that both negative
cross-entropy and Kullback-Leibler divergence play a crucial role in
constructing explainable latent space and the variability of the generated
samples from our proposed model depends on a specific subspace, called
`activated latent subspace'. With MNIST and CIFAR-10 dataset, we show that the
EXoN can produce explainable latent space which effectively represents labels
and characteristics of the images.
- Abstract(参考訳): 提案手法は,EXoN(Explainable Encoder Network)によって説明可能な潜在空間を生成する変分オートエンコーダ(VAE)の半教師付き学習手法を提案する。
EXoNは、VAEを実装するための2つの便利なツールを提供する。
まず、特定のラベルに対する潜在分布の概念的中心を自由に割り当てることができる。
我々は, ガウス混合分布の多モード特性を観測ラベルに従って, VAEの潜伏空間を分離する。
次に、 EXoN から得られる$F$-statistics と呼ばれる単純な統計量により、潜伏部分空間を簡単に調べることができる。
その結果、負のクロスエントロピーとクルバック・リーブラーの発散は、説明可能な潜在空間の構築において重要な役割を担い、提案モデルから生成されたサンプルの変動は、「活性化潜在部分空間」と呼ばれる特定の部分空間に依存することがわかった。
MNISTとCIFAR-10データセットを用いて、EXoNは画像のラベルと特徴を効果的に表現する説明可能な潜在空間を生成可能であることを示す。
関連論文リスト
- Unsupervised Panoptic Interpretation of Latent Spaces in GANs Using Space-Filling Vector Quantization [9.181917968017258]
GAN(Generative Adversarial Network)は、サンプルを現実世界の画像にマッピングできる潜在空間を学習する。
初期の教師付き手法は、解釈可能な潜在空間を作成したり、解釈可能な方向を発見することを目的としていた。
本研究では,空間充足ベクトル量子化 (SFVQ) と呼ばれるベクトル量子化の修正手法を提案する。
論文 参考訳(メタデータ) (2024-10-27T19:56:02Z) - Adaptive Learning of the Latent Space of Wasserstein Generative Adversarial Networks [7.958528596692594]
我々は、潜伏ワッサーシュタインガン(LWGAN)と呼ばれる新しい枠組みを提案する。
ワッサーシュタイン自己エンコーダとワッサーシュタイン GANを融合させ、データ多様体の内在次元を適応的に学習できるようにする。
我々は,LWGANが複数のシナリオにおいて,正しい固有次元を識別可能であることを示す。
論文 参考訳(メタデータ) (2024-09-27T01:25:22Z) - Symmetric Equilibrium Learning of VAEs [56.56929742714685]
可変オートエンコーダ(VAE)をデコーダ-エンコーダペアとみなし,データ空間内の分布を潜在空間内の分布にマッピングする。
本研究では,エンコーダとデコーダに対して対称なナッシュ均衡学習手法を提案し,データと潜伏分布の両方がサンプリングによってのみアクセス可能な状況下でのVAEの学習を可能にする。
論文 参考訳(メタデータ) (2023-07-19T10:27:34Z) - 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) - Disentanglement via Latent Quantization [60.37109712033694]
本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。
本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
論文 参考訳(メタデータ) (2023-05-28T06:30:29Z) - StyleGenes: Discrete and Efficient Latent Distributions for GANs [149.0290830305808]
GAN(Generative Adversarial Networks)のための離散潜在分布を提案する。
連続的な先行点から潜在ベクトルを描く代わりに、学習可能な潜在点の有限集合からサンプリングする。
私たちは生物の情報のエンコーディングからインスピレーションを得ます。
論文 参考訳(メタデータ) (2023-04-30T23:28:46Z) - Linking data separation, visual separation, and classifier performance
using pseudo-labeling by contrastive learning [125.99533416395765]
最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。
本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類し,その結果を実証する。
論文 参考訳(メタデータ) (2023-02-06T10:01:38Z) - Tensor-based Multi-view Spectral Clustering via Shared Latent Space [14.470859959783995]
MvSC(Multi-view Spectral Clustering)は多様なデータソースによって注目を集めている。
MvSCの新しい手法はRestricted Kernel Machineフレームワークから共有潜在空間を介して提案される。
論文 参考訳(メタデータ) (2022-07-23T17:30:54Z) - Structured Uncertainty in the Observation Space of Variational
Autoencoders [20.709989481734794]
画像合成において、そのような分布からのサンプリングは、非相関な画素ノイズを伴う空間的非コヒーレントな結果を生成する。
低ランクパラメータ化により空間依存性を符号化する観測空間の代替モデルを提案する。
画素単位の独立分布とは対照的に,本サンプルは複数の可算出力の予測を可能にする平均値から意味論的に有意な変動を含むと考えられる。
論文 参考訳(メタデータ) (2022-05-25T07:12:50Z) - Closed-Loop Data Transcription to an LDR via Minimaxing Rate Reduction [27.020835928724775]
本研究では,実世界のデータセットに対する明示的な生成モデル学習のための新しい計算フレームワークを提案する。
特に,多次元多次元データ分布と特徴空間における線形識別表現(LDR)の間の閉ループ転写を学習することを提案する。
多くのベンチマークデータセットに対する実験は、この新しいクローズドループの定式化の可能性を示している。
論文 参考訳(メタデータ) (2021-11-12T10:06:08Z) - GANs with Conditional Independence Graphs: On Subadditivity of
Probability Divergences [70.30467057209405]
GAN(Generative Adversarial Networks)は、データセットの基盤となる分布を学習するための現代的な手法である。
GANは、基礎となるディストリビューションに関する追加情報がないモデルフリーで設計されている。
本稿では,ベイズネット/MRFの近傍に単純な識別器群を用いたモデルベースGANの設計を提案する。
論文 参考訳(メタデータ) (2020-03-02T04:31:22Z)
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。