論文の概要: Barcode Method for Generative Model Evaluation driven by Topological Data Analysis

• arxiv url: http://arxiv.org/abs/2106.02207v1
• Date: Fri, 4 Jun 2021 02:07:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-07 14:54:50.153539
• Title: Barcode Method for Generative Model Evaluation driven by Topological Data Analysis
• Title（参考訳）: トポロジカルデータ解析によるモデル生成評価のためのバーコード法
• Authors: Ryoungwoo Jang, Minjee Kim, Da-in Eun, Kyungjin Cho, Jiyeon Seo, Namkug Kim
• Abstract要約: 本研究では,そのトポロジ的データ解析にインスパイアされたバーコードというアルゴリズムを提案する。 実世界のデータセットに関する広範な実験と、高次元の正規標本に関する理論的アプローチにおいて、埋め込みベクトルの「通常の」正規性仮定にはいくつかの欠点があることが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evaluating the performance of generative models in image synthesis is a challenging task. Although the Fr\'echet Inception Distance is a widely accepted evaluation metric, it integrates different aspects (e.g., fidelity and diversity) of synthesized images into a single score and assumes the normality of embedded vectors. Recent methods such as precision-and-recall and its variants such as density-and-coverage have been developed to separate fidelity and diversity based on k-nearest neighborhood methods. In this study, we propose an algorithm named barcode, which is inspired by the topological data analysis and is almost free of assumption and hyperparameter selections. In extensive experiments on real-world datasets as well as theoretical approach on high-dimensional normal samples, it was found that the 'usual' normality assumption of embedded vectors has several drawbacks. The experimental results demonstrate that barcode outperforms other methods in evaluating fidelity and diversity of GAN outputs. Official codes can be found in https://github.com/minjeekim00/Barcode.
• Abstract（参考訳）: 画像合成における生成モデルの性能評価は難しい課題である。 Fr\'echet Inception Distanceは広く受け入れられている評価指標であるが、合成画像の異なる側面(例えば、忠実さと多様性)を単一のスコアに統合し、埋め込みベクトルの正規性を仮定する。 近年,k-nearest近傍法に基づく忠実度と多様性を分離する精度・リコール法や密度・カバー法などの変種が開発されている。 本研究では,位相データ解析に触発され,仮定やハイパーパラメータ選択がほとんどないbarcodeというアルゴリズムを提案する。 実世界のデータセットに関する広範な実験と高次元の正規化に関する理論的アプローチにおいて、埋め込みベクトルの「通常の」正規化仮定にはいくつかの欠点があることがわかった。 実験の結果,バーコードはGAN出力の忠実度や多様性を評価する他の手法よりも優れていた。 公式コードはhttps://github.com/minjeekim00/barcodeにある。

関連論文リスト

• Latent Anomaly Detection Through Density Matrices [3.843839245375552]
  本稿では,密度推定に基づく異常検出手法の頑健な統計的原理と深層学習モデルの表現学習能力を組み合わせた,新しい異常検出フレームワークを提案する。 このフレームワークから派生した手法は、浅いアプローチと、データの低次元表現を学習するためにオートエンコーダを統合するディープアプローチの2つの異なるバージョンで示される。
  論文  参考訳（メタデータ） (2024-08-14T15:44:51Z)
• Combine and Conquer: A Meta-Analysis on Data Shift and Out-of-Distribution Detection [30.377446496559635]
  本稿では,アウト・オブ・ディストリビューション(OOD)検出スコアをシームレスに組み合わせるための普遍的アプローチを提案する。 我々のフレームワークは、検出スコアにおける将来の発展にとって容易であり、この文脈で意思決定境界を結合する最初の手段である。
  論文  参考訳（メタデータ） (2024-06-23T08:16:44Z)
• RGM: A Robust Generalizable Matching Model [49.60975442871967]
  RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。 合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。 さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
  論文  参考訳（メタデータ） (2023-10-18T07:30:08Z)
• Prototype-based Aleatoric Uncertainty Quantification for Cross-modal Retrieval [139.21955930418815]
  クロスモーダル検索手法は、共通表現空間を共同学習することにより、視覚と言語モダリティの類似性関係を構築する。 しかし、この予測は、低品質なデータ、例えば、腐敗した画像、速いペースの動画、詳細でないテキストによって引き起こされるアレタリック不確実性のために、しばしば信頼性が低い。 本稿では, 原型に基づくAleatoric Uncertainity Quantification (PAU) フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T09:41:19Z)
• Domain Generalization via Rationale Invariance [70.32415695574555]
  本稿では,未確認環境においてもロバストな結果の維持を伴う領域一般化の課題を緩和する新たな視点を提供する。 本稿では,最終結果に対する要素的貢献を決定の根拠として扱い,各試料の根拠を行列として表現することを提案する。 提案手法は, 単純性に拘わらず, 様々なデータセット間で競合する結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-08-22T03:31:40Z)
• Conditionally Strongly Log-Concave Generative Models [33.79337785731899]
  本稿では, 強い対数対数分布を持つ条件付き確率分布の積にデータ分布を分解する条件付き強対数対数モデルを提案する。 これは効率的なパラメータ推定とサンプリングアルゴリズムにつながり、理論的な保証があるが、データ分布はグローバルなログコンケーブではない。 数値的な結果は、$varphi4$モデルや弱レンズ収束写像のような物理場に対して、以前の研究よりも高分解能で示される。
  論文  参考訳（メタデータ） (2023-05-31T20:59:47Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• LEAN-DMKDE: Quantum Latent Density Estimation for Anomaly Detection [0.0]
  この方法は、データの低次元表現を学習するためのオートエンコーダと密度推定モデルを組み合わせる。 本手法は, 推定密度に基づいて, 新しい試料の正規度を推定する。 実験結果から,本手法が他の最先端手法と同等あるいは同等に動作することを示す。
  論文  参考訳（メタデータ） (2022-11-15T21:51:42Z)
• A Fair Experimental Comparison of Neural Network Architectures for Latent Representations of Multi-Omics for Drug Response Prediction [7.690774882108066]
  等価条件下でのマルチオミクス統合手法の訓練と最適化を行う。 我々は、中間統合と後期統合の利点を組み合わせた新しい手法、Omics Stackingを考案した。 複数のオミクスデータを用いた公開薬物応答データセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2022-08-31T12:46:08Z)
• Autoencoding Variational Autoencoder [56.05008520271406]
  我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。 自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
  論文  参考訳（メタデータ） (2020-12-07T14:16:14Z)
• Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
  本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。 そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。 6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
  論文  参考訳（メタデータ） (2020-09-07T13:01:45Z)

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。