論文の概要: Evaluation of Latent Space Disentanglement in the Presence of Interdependent Attributes

• arxiv url: http://arxiv.org/abs/2110.05587v1
• Date: Mon, 11 Oct 2021 20:01:14 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 07:39:51.536820
• Title: Evaluation of Latent Space Disentanglement in the Presence of Interdependent Attributes
• Title（参考訳）: 相互依存属性の存在下での潜在空間異方性の評価
• Authors: Karn N. Watcharasupat and Alexander Lerch
• Abstract要約: 深層生成モデルによる制御可能な音楽生成は, ゆがみ学習技術にますます依存している。 セマンティック属性間の固有関係を考慮に入れたMIGのドロップイン代替として,依存性を考慮した情報メトリクスを提案する。
• 参考スコア（独自算出の注目度）: 78.8942067357231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Controllable music generation with deep generative models has become increasingly reliant on disentanglement learning techniques. However, current disentanglement metrics, such as mutual information gap (MIG), are often inadequate and misleading when used for evaluating latent representations in the presence of interdependent semantic attributes often encountered in real-world music datasets. In this work, we propose a dependency-aware information metric as a drop-in replacement for MIG that accounts for the inherent relationship between semantic attributes.
• Abstract（参考訳）: 深層生成モデルによる制御可能な音楽生成は, ゆがみ学習技術にますます依存している。 しかし、相互情報ギャップ(MIG)のような現在のゆがみ指標は、実世界の音楽データセットでしばしば発生する相互依存的な意味的属性の存在下での潜伏表現の評価に使用される場合、しばしば不十分で誤解を招く。 本研究では,意味的属性間の関係を考慮に入れたMIGのドロップイン代替として,依存性を考慮した情報メトリクスを提案する。

関連論文リスト

• A Hybrid Framework for Spatial Interpolation: Merging Data-driven with Domain Knowledge [2.6819326095717764]
  本稿では,データ駆動型空間依存性特徴抽出とルール支援型空間依存性関数マッピングを統合したハイブリッドフレームワークを提案する。 2つの比較アプリケーションシナリオにおいて、我々のフレームワークの優れたパフォーマンスを示す。
  論文  参考訳（メタデータ） (2024-08-28T22:02:42Z)
• Intrinsic Dimension Correlation: uncovering nonlinear connections in multimodal representations [0.4223422932643755]
  本稿では,内在次元と相関関係の絡み合いを利用して相関関係を定量化する計量を提案する。 まず,制御環境における合成データの検証を行い,その利点と欠点を既存手法と比較した。 ニューラルネットワーク表現における大規模アプリケーションに分析を拡張します。
  論文  参考訳（メタデータ） (2024-06-22T10:36:04Z)
• Spurious Correlations in Machine Learning: A Survey [27.949532561102206]
  機械学習システムは、入力とラベルの非意味的な特徴の間の素早い相関に敏感である。 これらの特徴とそのラベルとの相関は"spurious"として知られている。 我々は、機械学習モデルにおける素早い相関に対処する最先端の手法の分類とともに、この問題をレビューする。
  論文  参考訳（メタデータ） (2024-02-20T04:49:34Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• Disentanglement and Generalization Under Correlation Shifts [22.499106910581958]
  実世界のデータでは、変動要因間の相関が一般的である。 機械学習アルゴリズムは、ノイズの多いデータに対する予測性能を高めることができるため、そのような相関を利用する利点がある。 潜在部分空間の様々な要因を捉える表現を学習することを目的としている。
  論文  参考訳（メタデータ） (2021-12-29T18:55:17Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)
• Learning Multimodal VAEs through Mutual Supervision [72.77685889312889]
  MEMEは、相互監督を通じて暗黙的にモダリティ間の情報を結合する。 我々は、MEMEが、部分的および完全観察スキームの双方で標準メトリクスのベースラインを上回ることを実証する。
  論文  参考訳（メタデータ） (2021-06-23T17:54:35Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)

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。