論文の概要: Learning Generative Prior with Latent Space Sparsity Constraints
- arxiv url: http://arxiv.org/abs/2105.11956v1
- Date: Tue, 25 May 2021 14:12:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-26 14:25:23.067814
- Title: Learning Generative Prior with Latent Space Sparsity Constraints
- Title（参考訳）: 遅延空間空間間隔制約による生成前の学習
- Authors: Vinayak Killedar, Praveen Kumar Pokala, Chandra Sekhar Seelamantula
- Abstract要約: 自然像の分布は1つの多様体にではなく、むしろいくつかの部分多様体の結合にあると論じられている。
本稿では,スペーサ性駆動型潜時空間サンプリング(SDLSS)フレームワークを提案し,PMLアルゴリズムを用いて潜時空間のスペーサ性を実現する。
その結果, SDLSS法は, 高次圧縮では最先端法よりも効率が高いことがわかった。
- 参考スコア（独自算出の注目度）: 25.213673771175692
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the problem of compressed sensing using a deep generative prior
model and consider both linear and learned nonlinear sensing mechanisms, where
the nonlinear one involves either a fully connected neural network or a
convolutional neural network. Recently, it has been argued that the
distribution of natural images do not lie in a single manifold but rather lie
in a union of several submanifolds. We propose a sparsity-driven latent space
sampling (SDLSS) framework and develop a proximal meta-learning (PML) algorithm
to enforce sparsity in the latent space. SDLSS allows the range-space of the
generator to be considered as a union-of-submanifolds. We also derive the
sample complexity bounds within the SDLSS framework for the linear measurement
model. The results demonstrate that for a higher degree of compression, the
SDLSS method is more efficient than the state-of-the-art method. We first
consider a comparison between linear and nonlinear sensing mechanisms on
Fashion-MNIST dataset and show that the learned nonlinear version is superior
to the linear one. Subsequent comparisons with the deep compressive sensing
(DCS) framework proposed in the literature are reported. We also consider the
effect of the dimension of the latent space and the sparsity factor in
validating the SDLSS framework. Performance quantification is carried out by
employing three objective metrics: peak signal-to-noise ratio (PSNR),
structural similarity index metric (SSIM), and reconstruction error (RE).
- Abstract（参考訳）: 本研究では, 深部生成前モデルを用いた圧縮センシングの問題に対処し, 非線形センシング機構と線形センシング機構の両方を検討し, 非線形センシングは完全連結ニューラルネットワークか畳み込みニューラルネットワークかを考える。
近年、自然画像の分布は単一の多様体に存在せず、むしろ複数の部分多様体の合併にあると論じられている。
我々は,sparsity-driven latent space sampling (sdlss) フレームワークを提案し,sparsityを潜在空間に強制する近位メタラーニング (pml) アルゴリズムを開発した。
SDLSSはジェネレータの射程空間をサブマニフォールドの和集合と見なすことができる。
また、線形計測モデルのためのsdlssフレームワーク内のサンプル複雑性境界も導出する。
その結果, SDLSS法は, 高次圧縮では最先端法よりも効率が高いことがわかった。
まず,ファッション・マンニストデータセットにおける線形と非線形のセンシング機構の比較を行い,学習した非線形バージョンが線形のものよりも優れていることを示す。
本論文で提案する深部圧縮センシング(DCS)フレームワークとの比較を報告する。
また, SDLSSフレームワークの検証における潜伏空間の次元と空間係数の影響についても検討した。
性能定量化は、ピーク信号対雑音比(PSNR)、構造類似度指標(SSIM)、再構成誤差(RE)の3つの客観的指標を用いて行われる。
関連論文リスト
- Efficient Interpretable Nonlinear Modeling for Multiple Time Series [5.448070998907116]
本稿では,複数時系列に対する効率的な非線形モデリング手法を提案する。
異なる時系列変数間の非線形相互作用を含む。
実験結果から,提案アルゴリズムは相似的にVAR係数の支持値の同定を改善することが示された。
論文 参考訳（メタデータ） (2023-09-29T11:42:59Z) - Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse
Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。
具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。
提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文 参考訳（メタデータ） (2023-03-10T07:42:49Z) - GeONet: a neural operator for learning the Wasserstein geodesic [13.468026138183623]
本稿では、初期分布と終端分布の入力対から2つのエンドポイント分布を接続するワッサーシュタイン測地線への非線形マッピングを学習するメッシュ不変なディープニューラルネットワークであるGeONetを提案する。
シミュレーション例では,GeONet が標準 OT ソルバと同等の精度で,MNIST データセットに比較して,予測段階の計算コストを桁違いに大幅に削減することを示した。
論文 参考訳（メタデータ） (2022-09-28T21:55:40Z) - Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View
Tomography [58.60249163402822]
未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。
提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
論文 参考訳（メタデータ） (2022-07-06T21:40:59Z) - Accurate Discharge Coefficient Prediction of Streamlined Weirs by
Coupling Linear Regression and Deep Convolutional Gated Recurrent Unit [2.4475596711637433]
本研究では,CFDシミュレーションに代わるデータ駆動モデリング手法を提案する。
提案した3層階層型DLアルゴリズムは,後続の2つのGRUレベルを結合した畳み込み層で構成されており,LR法とハイブリダイゼーションすることで,誤差の低減につながることがわかった。
論文 参考訳（メタデータ） (2022-04-12T01:59:36Z) - Learning Low-Dimensional Nonlinear Structures from High-Dimensional
Noisy Data: An Integral Operator Approach [5.975670441166475]
本研究では,高次元および雑音観測から低次元非線形構造を学習するためのカーネルスペクトル埋め込みアルゴリズムを提案する。
このアルゴリズムは、基礎となる多様体の事前の知識に依存しない適応的な帯域幅選択手順を用いる。
得られた低次元埋め込みは、データ可視化、クラスタリング、予測などの下流目的にさらに活用することができる。
論文 参考訳（メタデータ） (2022-02-28T22:46:34Z) - Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via
GDPA Linearization [59.87663954467815]
アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。
本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。
実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
論文 参考訳（メタデータ） (2021-09-10T07:01:15Z) - Joint Characterization of Spatiotemporal Data Manifolds [0.0]
次元減少 (DR) は、高次元信号の「次元の曲線」を緩和するために設計された特徴量の一種である。
近年、非線形DRアルゴリズムが新たに開発され、しばしば「manifold learning」に分類されている。
ここでは、これらの3つのDRアプローチが、ST多様体位相に関する相補的な情報を得ることができることを示す。
論文 参考訳（メタデータ） (2021-08-21T16:42:22Z) - 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) - Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral
Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
本稿では,超スペクトル部分空間解析のための新しい手法を提案する。
この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。
2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
論文 参考訳（メタデータ） (2020-09-21T16:29:59Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
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。