論文の概要: $\beta$-Annealed Variational Autoencoder for glitches
- arxiv url: http://arxiv.org/abs/2107.10667v1
- Date: Tue, 20 Jul 2021 22:27:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-23 15:22:33.557661
- Title: $\beta$-Annealed Variational Autoencoder for glitches
- Title（参考訳）: $\beta$-Annealed Variational Autoencoder for glitches
- Authors: Sivaramakrishnan Sankarapandian, Brian Kulis
- Abstract要約: 教師なしの方法でスペクトルから表現を学習するために,$beta$-Annelead VAEを提案する。
この接続により、ハイパーパラメータ$beta$ in $beta$-VAEsのアニールスケジュールを提案する。
- 参考スコア（独自算出の注目度）: 13.665705977915934
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Gravitational wave detectors such as LIGO and Virgo are susceptible to
various types of instrumental and environmental disturbances known as glitches
which can mask and mimic gravitational waves. While there are 22 classes of
non-Gaussian noise gradients currently identified, the number of classes is
likely to increase as these detectors go through commissioning between
observation runs. Since identification and labelling new noise gradients can be
arduous and time-consuming, we propose $\beta$-Annelead VAEs to learn
representations from spectograms in an unsupervised way. Using the same
formulation as \cite{alemi2017fixing}, we view
Bottleneck-VAEs~cite{burgess2018understanding} through the lens of information
theory and connect them to $\beta$-VAEs~cite{higgins2017beta}. Motivated by
this connection, we propose an annealing schedule for the hyperparameter
$\beta$ in $\beta$-VAEs which has advantages of: 1) One fewer hyperparameter to
tune, 2) Better reconstruction quality, while producing similar levels of
disentanglement.
- Abstract（参考訳）: LIGOやVirgoのような重力波検出器は、重力波を隠蔽し模倣できるグリッチとして知られる様々な種類の機器や環境の障害の影響を受けやすい。
現在22種類の非ガウスノイズ勾配が同定されているが、これらの検出器が観測の間隔を経るにつれて、クラスの数は増加する可能性が高い。
新たなノイズ勾配の識別とラベル付けは困難で時間を要するため,教師なしの方法でスペクトルから表現を学習するための$\beta$-Annelead VAEを提案する。
情報理論のレンズを通して Bottleneck-VAEs~cite{burgess2018understanding} を眺め、それらを $\beta$-VAEs~cite{higgins2017beta} に接続する。
この関係に動機づけられ、ハイパーパラメータ$\beta$ in $\beta$-vaes のアニーリングスケジュールを提案し、以下の利点を得た。
関連論文リスト
- Cross-Temporal Spectrogram Autoencoder (CTSAE): Unsupervised Dimensionality Reduction for Clustering Gravitational Wave Glitches [12.653249139353608]
クロステンポラル・スペクトログラム・オートエンコーダ (CTSAE) は、重力波グリッチの次元減少とクラスタリングの先駆的な方法である。
メインチャネルのGravitySpy O3データセットをトレーニングし,評価し,クラスタリングタスクにおける優れたパフォーマンスを示す。
論文 参考訳（メタデータ） (2024-04-23T22:54:51Z) - Label-Retrieval-Augmented Diffusion Models for Learning from Noisy
Labels [61.97359362447732]
ノイズの多いラベルからの学習は、実際のアプリケーションのための機械学習において、重要かつ長年にわたる問題である。
本稿では,生成モデルの観点からラベルノイズ問題を再構成する。
我々のモデルは、標準的な実世界のベンチマークデータセットで新しいSOTA(State-of-the-art)結果を達成する。
論文 参考訳（メタデータ） (2023-05-31T03:01:36Z) - Optimal Online Generalized Linear Regression with Stochastic Noise and
Its Application to Heteroscedastic Bandits [88.6139446295537]
一般化線形モデルの設定におけるオンライン一般化線形回帰の問題について検討する。
ラベルノイズに対処するため、古典的追従正規化リーダ(FTRL)アルゴリズムを鋭く解析する。
本稿では,FTRLに基づくアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-02-28T08:25:26Z) - Unsupervised Learning Architecture for Classifying the Transient Noise
of Interferometric Gravitational-wave Detectors [2.8555963243398073]
非定常・非ガウス的特徴を持つ過渡雑音は高い速度で発生する。
過渡雑音の分類は、その起源を探索し、検出器の性能を向上させる手がかりを与えることができる。
本研究では,過渡雑音の分類のための教師なし学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-11-19T05:37:06Z) - Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。
プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。
我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文 参考訳（メタデータ） (2021-10-22T01:55:01Z) - New bounds on adaptive quantum metrology under Markovian noise [0.0]
マルコフ雑音を受ける量子系のハミルトニアンを制御するスカラーパラメータ$g$を推定する問題を解析する。
我々は、リンドブラッド作用素とハミルトニアンの$H$の導関数に関して、$g$に関する量子フィッシャー情報の成長速度に境界を置く。
我々は、この感度が$partial H/partial g$の量子揺らぎと関係していることを示し、システムが感度を持つ信号の範囲を「古典的でない」状態がいかに高めるかを説明する。
論文 参考訳（メタデータ） (2021-08-25T18:00:01Z) - When Optimizing $f$-divergence is Robust with Label Noise [10.452709936265274]
分類器の予測に対して適切に定義された$f$-divergence測度を最大化する場合, 教師付きラベルはラベルノイズに頑健であることを示す。
ラベルノイズが現れるときの$f$-divergence($f$-divergence)の族に対するよい疎結合特性を導出する。そこでは、発散がクリーン分布に定義された変分差分と、ノイズによって導入されたバイアス項との線形結合であることが示される。
論文 参考訳（メタデータ） (2020-11-07T04:31:33Z) - Unnormalized Variational Bayes [1.599072005190786]
非正規化密度を近似するために経験的ベイズと変分ベイズを統一する。
このフレームワークは非正規化変分ベイズ (unnormalized variational Bayes, UVB) と呼ばれ、確率変数 $Y=X+N(0,sigma2 I_d)$ の潜在変数モデルを定式化したものである。
論文 参考訳（メタデータ） (2020-07-29T21:58:54Z) - Learning Noise-Aware Encoder-Decoder from Noisy Labels by Alternating
Back-Propagation for Saliency Detection [54.98042023365694]
本稿では,ノイズを考慮したエンコーダ・デコーダ・フレームワークを提案する。
提案モデルはニューラルネットワークによってパラメータ化された2つのサブモデルから構成される。
論文 参考訳（メタデータ） (2020-07-23T18:47:36Z) - Consistency Regularization for Certified Robustness of Smoothed
Classifiers [89.72878906950208]
最近のランダムな平滑化技術は、最悪の$ell$-robustnessを平均ケースのロバストネスに変換することができることを示している。
その結果,スムーズな分類器の精度と信頼性の高いロバスト性とのトレードオフは,ノイズに対する予測一貫性の規則化によって大きく制御できることが判明した。
論文 参考訳（メタデータ） (2020-06-07T06:57:43Z) - EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with
Cascade Refinement [53.69674636044927]
本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。
完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。
完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
論文 参考訳（メタデータ） (2020-02-18T08:04:58Z)
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。