論文の概要: Hybrid Memoised Wake-Sleep: Approximate Inference at the Discrete-Continuous Interface

• arxiv url: http://arxiv.org/abs/2107.06393v1
• Date: Sun, 4 Jul 2021 00:57:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-18 12:26:00.208992
• Title: Hybrid Memoised Wake-Sleep: Approximate Inference at the Discrete-Continuous Interface
• Title（参考訳）: ハイブリッド覚醒Wake-Sleep:離散連続界面における近似推論
• Authors: Tuan Anh Le, Katherine M. Collins, Luke Hewitt, Kevin Ellis, Siddharth N, Samuel J. Gershman, Joshua B. Tenenbaum
• Abstract要約: HMWS(Hybrid Memoized Wake-Sleep)は、ハイブリッド離散連続モデルにおける効果的な推論アルゴリズムである。 我々は最近のアプローチであるMemoised Wake-Sleep(MWS)に基づいて構築し、個別変数をメモすることで問題の一部を緩和する。
• 参考スコア（独自算出の注目度）: 39.15358786988818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modeling complex phenomena typically involves the use of both discrete and continuous variables. Such a setting applies across a wide range of problems, from identifying trends in time-series data to performing effective compositional scene understanding in images. Here, we propose Hybrid Memoised Wake-Sleep (HMWS), an algorithm for effective inference in such hybrid discrete-continuous models. Prior approaches to learning suffer as they need to perform repeated expensive inner-loop discrete inference. We build on a recent approach, Memoised Wake-Sleep (MWS), which alleviates part of the problem by memoising discrete variables, and extend it to allow for a principled and effective way to handle continuous variables by learning a separate recognition model used for importance-sampling based approximate inference and marginalization. We evaluate HMWS in the GP-kernel learning and 3D scene understanding domains, and show that it outperforms current state-of-the-art inference methods.
• Abstract（参考訳）: 複雑な現象のモデリングは通常、離散変数と連続変数の両方を使用する。 このような設定は、時系列データの傾向の特定から画像の効果的な構成シーン理解に至るまで、幅広い問題に適用される。 本稿では,これらのハイブリッド離散連続モデルにおける効果的な推論アルゴリズムであるHybrid Memoized Wake-Sleep (HMWS)を提案する。 学習への以前のアプローチは、繰り返し高価なインナーループ離散推論を実行する必要があるため苦しむ。 我々は,近年のアプローチであるMemoised Wake-Sleep(MWS)に基づいて,個別変数をメモすることで問題の一部を緩和し,重要サンプリングに基づく近似推論と辺縁化に使用する認識モデルを学習することにより,連続変数を扱うための原則的で効果的な方法を実現する。 GPカーネル学習および3次元シーン理解領域におけるHMWSの評価を行い、現在の最先端推論手法よりも優れていることを示す。

関連論文リスト

• MTSCI: A Conditional Diffusion Model for Multivariate Time Series Consistent Imputation [41.681869408967586]
  主要な研究課題は、どのようにインパルスの整合性を確保するか、すなわち観測値とインパルス値の整合性を確保するかである。 従来の手法は、学習プロセスを導くために、計算対象の帰納的バイアスにのみ依存する。
  論文  参考訳（メタデータ） (2024-08-11T10:24:53Z)
• Contrastive Learning Is Not Optimal for Quasiperiodic Time Series [4.2807943283312095]
  本稿では,ほぼ周期時間系列(DEAPS)の蒸留埋め込みについて紹介する。 DEAPSは、心電図(ECG)データなどの準周期時系列に適した非コントラスト法である。 機械学習(ML)モデルに適合するアノテートレコードがわずかに提示された場合,既存のSOTAメソッドよりも10%向上したことを示す。
  論文  参考訳（メタデータ） (2024-07-24T08:02:41Z)
• One More Step: A Versatile Plug-and-Play Module for Rectifying Diffusion Schedule Flaws and Enhancing Low-Frequency Controls [77.42510898755037]
  One More Step (OMS) は、推論中に単純だが効果的なステップを付加したコンパクトネットワークである。 OMSは画像の忠実度を高め、トレーニングと推論の二分法を調和させ、元のモデルパラメータを保存する。 トレーニングが完了すると、同じ潜在ドメインを持つ様々な事前訓練された拡散モデルが同じOMSモジュールを共有することができる。
  論文  参考訳（メタデータ） (2023-11-27T12:02:42Z)
• CamoDiffusion: Camouflaged Object Detection via Conditional Diffusion Models [72.93652777646233]
  カモフラーゲ型物体検出(COD)は、カモフラーゲ型物体とその周囲の類似性が高いため、コンピュータビジョンにおいて難しい課題である。 本研究では,CODを拡散モデルを利用した条件付きマスク生成タスクとして扱う新しいパラダイムを提案する。 カモ拡散(CamoDiffusion)と呼ばれる本手法では,拡散モデルのデノナイズプロセスを用いてマスクの雑音を反復的に低減する。
  論文  参考訳（メタデータ） (2023-05-29T07:49:44Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Gait Recognition in the Wild with Multi-hop Temporal Switch [81.35245014397759]
  野生での歩行認識は、より実践的な問題であり、マルチメディアとコンピュータビジョンのコミュニティの注目を集めています。 本稿では,現実のシーンにおける歩行パターンの効果的な時間的モデリングを実現するために,新しいマルチホップ時間スイッチ方式を提案する。
  論文  参考訳（メタデータ） (2022-09-01T10:46:09Z)
• Contrastive learning of strong-mixing continuous-time stochastic processes [53.82893653745542]
  コントラスト学習(Contrastive Learning)は、ラベルのないデータから構築された分類タスクを解決するためにモデルを訓練する自己指導型の手法のファミリーである。 拡散の場合,小～中距離間隔の遷移カーネルを適切に構築したコントラスト学習タスクを用いて推定できることが示される。
  論文  参考訳（メタデータ） (2021-03-03T23:06:47Z)

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。