論文の概要: DisUnknown: Distilling Unknown Factors for Disentanglement Learning

• arxiv url: http://arxiv.org/abs/2109.08090v1
• Date: Thu, 16 Sep 2021 16:27:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-17 14:09:51.612043
• Title: DisUnknown: Distilling Unknown Factors for Disentanglement Learning
• Title（参考訳）: 不明:不明瞭な要因を蒸留して絡み合い学習を行う
• Authors: Sitao Xiang, Yuming Gu, Pengda Xiang, Menglei Chai, Hao Li, Yajie Zhao, Mingming He
• Abstract要約: 本稿では,多条件生成を実現するために,柔軟に制御された多要素不整合フレームワークであるDisUnknownを提案する。 まず、未知因子を効果的で堅牢な訓練法で切り離し、次に、ラベル付き因子の適切な切り離しで最終生成物を訓練する2段階の訓練手法を採用する。
• 参考スコア（独自算出の注目度）: 16.74749939743739
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Disentangling data into interpretable and independent factors is critical for controllable generation tasks. With the availability of labeled data, supervision can help enforce the separation of specific factors as expected. However, it is often expensive or even impossible to label every single factor to achieve fully-supervised disentanglement. In this paper, we adopt a general setting where all factors that are hard to label or identify are encapsulated as a single unknown factor. Under this setting, we propose a flexible weakly-supervised multi-factor disentanglement framework DisUnknown, which Distills Unknown factors for enabling multi-conditional generation regarding both labeled and unknown factors. Specifically, a two-stage training approach is adopted to first disentangle the unknown factor with an effective and robust training method, and then train the final generator with the proper disentanglement of all labeled factors utilizing the unknown distillation. To demonstrate the generalization capacity and scalability of our method, we evaluate it on multiple benchmark datasets qualitatively and quantitatively and further apply it to various real-world applications on complicated datasets.
• Abstract（参考訳）: データを解釈可能な独立要因に分割することは、制御可能な生成タスクにとって重要である。 ラベル付きデータの可用性により、監視は、期待される特定の要因の分離を強制するのに役立ちます。 しかし、すべての要素をラベル付けすることは、しばしば高価または不可能であり、完全に教師付き不整合を達成する。 本稿では,ラベル付けや識別が難しいすべての因子を単一の未知の因子としてカプセル化する一般設定を採用する。 そこで本研究では,ラベル付きおよび未知の因子について,未知の因子を抽出し,多条件生成を可能にする,柔軟な弱教師付き多因子異方性フレームワークを提案する。 具体的には、まず、未知の因子を効果的で堅牢な訓練法で切り離し、次に、未知の蒸留を利用したラベル付き因子の適切な切り離しで最終生成物を訓練するために、2段階のトレーニング手法を採用する。 本手法の一般化能力と拡張性を示すために,複数のベンチマークデータセットで定性的かつ定量的に評価し,複雑なデータセット上の様々な実世界アプリケーションに適用した。

関連論文リスト

• Offline Reinforcement Learning: Role of State Aggregation and Trajectory Data [64.93285984013833]
  我々は,ベルマンを使わずに,値関数を実現可能なオフライン強化学習の問題を再考する。 Xie と Jiang (2021) と Foster et al. (2022) による以前の研究は、軌道に基づくオフラインデータとともに集中係数が有界標本複雑性を統一するかどうかという疑問を解き放った。
  論文  参考訳（メタデータ） (2024-03-25T18:28:45Z)
• C-Disentanglement: Discovering Causally-Independent Generative Factors under an Inductive Bias of Confounder [35.09708249850816]
  我々は,共同設立者の帰納的バイアスを明示する最初のフレームワークである,C-Disentanglement(C-Disentanglement)というフレームワークを紹介した。 我々は、合成データセットと実世界のデータセットの両方について広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-26T11:44:42Z)
• On the Identifiability of Quantized Factors [33.12356885773274]
  一般非線形微分同相の下で量子化潜在因子を復元することは可能であることを示す。 本稿では、この新しい形の量子化因子識別可能性を紹介し、量子化因子の回復の包括的証明を提供する。
  論文  参考訳（メタデータ） (2023-06-28T16:10:01Z)
• Learning under Selective Labels with Data from Heterogeneous Decision-makers: An Instrumental Variable Approach [7.629248625993988]
  本研究では,歴史的意思決定によって部分的にラベル付けされた結果が得られた場合に生じる,選択的ラベル付きデータによる学習の課題について検討する。 ラベル選択バイアスに頑健な予測規則を両識別設定で学習する重み付き学習手法を提案する。
  論文  参考訳（メタデータ） (2023-06-13T06:34:44Z)
• DOT-VAE: Disentangling One Factor at a Time [1.6114012813668934]
  本稿では,変分オートエンコーダの潜伏空間を乱交空間で拡張し,Wake-Sleep-inspireed two-step algorithm for unsupervised disentanglementを用いて学習する手法を提案する。 我々のネットワークは、解釈可能な独立した因子を一度に1つのデータから切り離すことを学び、それを非絡み合った潜在空間の異なる次元にエンコードし、因子の数やそれらの共同分布について事前の仮定をしない。
  論文  参考訳（メタデータ） (2022-10-19T22:53:02Z)
• Evaluating Disentanglement in Generative Models Without Knowledge of Latent Factors [71.79984112148865]
  本稿では,学習中に提示される学習力学に基づいて生成モデルのランキング付けを行う手法を提案する。 本手法は,近年の解離の理論的特徴から着想を得たものであり,その根底にある潜伏因子の監督は不要である。
  論文  参考訳（メタデータ） (2022-10-04T17:27:29Z)
• Learning from Multiple Unlabeled Datasets with Partial Risk Regularization [80.54710259664698]
  本稿では,クラスラベルを使わずに正確な分類器を学習することを目的とする。 まず、与えられたラベルのない集合から推定できる分類リスクの偏りのない推定器を導出する。 その結果、経験的リスクがトレーニング中に負になるにつれて、分類器が過度に適合する傾向があることが判明した。 実験により,本手法は,複数の未ラベル集合から学習する最先端の手法を効果的に緩和し,性能を向上することを示した。
  論文  参考訳（メタデータ） (2022-07-04T16:22:44Z)
• Towards efficient representation identification in supervised learning [32.3875659102181]
  人間は複雑な感覚入力を分解する驚くべき能力を持っている。 我々は,補助情報次元が真の潜在表現の次元よりもはるかに小さい場合でも,絡み合いが可能であることを理論的,実験的に示す。
  論文  参考訳（メタデータ） (2022-04-10T05:34:13Z)
• Factorized-FL: Agnostic Personalized Federated Learning with Kernel Factorization & Similarity Matching [70.95184015412798]
  現実世界のフェデレートされた学習シナリオでは、参加者は他のクライアントのものと互換性のない、独自のパーソナライズされたラベルを持つことができる。 本研究では,ラベル・タスク・ヘテロジニアス・フェデレーション・ラーニング・セッティングに効果的に取り組むためのFacterized-FLを提案する。 本手法はラベルとドメインの不均一な設定の両方で広範に検証し、最先端の個人化フェデレーション学習法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-01T08:00:59Z)
• Data-Uncertainty Guided Multi-Phase Learning for Semi-Supervised Object Detection [66.10057490293981]
  半監視対象検出のためのデータ不確実性誘導多相学習法を提案する。 本手法は,ベースライン手法と比較して異常に動作し,大きなマージンで性能を向上する。
  論文  参考訳（メタデータ） (2021-03-29T09:27:23Z)
• Randomized Entity-wise Factorization for Multi-Agent Reinforcement Learning [59.62721526353915]
  実世界のマルチエージェント設定は、エージェントや非エージェントエンティティのタイプや量が異なるタスクを伴うことが多い。 我々の方法は、これらの共通点を活用することを目的としており、「観察対象のランダムに選択されたサブグループのみを考えるとき、各エージェントが期待する効用は何か?」という問いを投げかける。
  論文  参考訳（メタデータ） (2020-06-07T18:28:41Z)

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。