論文の概要: Co-domain Symmetry for Complex-Valued Deep Learning

• arxiv url: http://arxiv.org/abs/2112.01525v1
• Date: Thu, 2 Dec 2021 18:59:56 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-03 14:30:27.430809
• Title: Co-domain Symmetry for Complex-Valued Deep Learning
• Title（参考訳）: 複素値深層学習のための共ドメイン対称性
• Authors: Utkarsh Singhal, Yifei Xing and Stella X. Yu
• Abstract要約: 複素数値スケーリングは、対称性の一種であり、複素数値測定と表現に特有のものである。 複素数値スケーリングを共ドメイン変換として解析し、この特殊な変換のための新しい同変・不変のニューラルネットワーク層関数を設計する。 また、RGB画像の複雑な値の表現も提案し、複雑な値のスケーリングは色チャネル間の色変化や相関変化を示す。
• 参考スコア（独自算出の注目度）: 23.966396835567927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study complex-valued scaling as a type of symmetry natural and unique to complex-valued measurements and representations. Deep Complex Networks (DCN) extends real-valued algebra to the complex domain without addressing complex-valued scaling. SurReal takes a restrictive manifold view of complex numbers, adopting a distance metric to achieve complex-scaling invariance while losing rich complex-valued information. We analyze complex-valued scaling as a co-domain transformation and design novel equivariant and invariant neural network layer functions for this special transformation. We also propose novel complex-valued representations of RGB images, where complex-valued scaling indicates hue shift or correlated changes across color channels. Benchmarked on MSTAR, CIFAR10, CIFAR100, and SVHN, our co-domain symmetric (CDS) classifiers deliver higher accuracy, better generalization, robustness to co-domain transformations, and lower model bias and variance than DCN and SurReal with far fewer parameters.
• Abstract（参考訳）: 複素数値スケーリングは、対称性の一種であり、複素数値測定と表現に特有のものである。 Deep Complex Networks (DCN) は、複素数値スケーリングに対処することなく、実数値代数を複素領域に拡張する。 SurReal は複素数の制限的多様体ビューを採り、複素スケーリング不変性を達成するために距離メートル法を採用する。 共ドメイン変換として複素値スケーリングを解析し、この特殊変換のために新しい同値および不変ニューラルネットワーク層関数を設計する。 また、RGB画像の複雑な値の表現も提案し、複雑な値のスケーリングは色チャネル間の色変化や相関変化を示す。 MSTAR, CIFAR10, CIFAR100, SVHN をベンチマークし、我々の共ドメイン対称(CDS)分類器はより精度が高く、より一般化され、コドメイン変換に対するロバスト性があり、DCN や SurReal よりもはるかに少ないパラメータでモデルのバイアスと分散が小さい。

関連論文リスト

• Variable-size Symmetry-based Graph Fourier Transforms for image compression [65.7352685872625]
  可変サイズのグラフフーリエ変換を符号化フレームワークに導入する。 提案アルゴリズムは,ノード間の特定の対称接続を追加することにより,グリッド上の対称グラフを生成する。 実験により、SBGFTは、明示的な多重変換選択に統合された一次変換よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-11-24T13:00:44Z)
• Point-aware Interaction and CNN-induced Refinement Network for RGB-D Salient Object Detection [95.84616822805664]
  我々は,CNNによるトランスフォーマーアーキテクチャを導入し,ポイント・アウェア・インタラクションとCNNによるリファインメントを備えた新しいRGB-D SODネットワークを提案する。 トランスフォーマーがもたらすブロック効果とディテール破壊問題を自然に軽減するために,コンテンツリファインメントとサプリメントのためのCNNRユニットを設計する。
  論文  参考訳（メタデータ） (2023-08-17T11:57:49Z)
• Building Blocks for a Complex-Valued Transformer Architecture [5.177947445379688]
  我々は、$mathbbR2$へのプロジェクションを使わずに、複雑な値の信号にディープラーニングを適用することを目指している。 本稿では,複雑な値を持つDot-Product Attention機構の複数バージョンと,複雑な値を持つレイヤの正規化について述べる。 我々は,MusicNetデータセットの分類とシーケンス生成タスクを検証し,実数値トランスフォーマーアーキテクチャと比較した場合のオンパー性能を維持しながら,オーバーフィッティングに対するロバスト性の向上を示した。
  論文  参考訳（メタデータ） (2023-06-16T13:11:15Z)
• Deep Neural Networks with Efficient Guaranteed Invariances [77.99182201815763]
  我々は、性能改善の問題、特にディープニューラルネットワークのサンプル複雑性に対処する。 群同変畳み込みは同変表現を得るための一般的なアプローチである。 本稿では,各ストリームが異なる変換に不変なマルチストリームアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-03-02T20:44:45Z)
• Convolutional Learning on Simplicial Complexes [13.604803091781926]
  本稿では, 単純複雑畳み込みニューラルネットワーク(SCCNN)を提案する。 マルチホップの単純な隣接に基づく畳み込みを、共通の顔と顔を通して独立に行う。
  論文  参考訳（メタデータ） (2023-01-26T15:08:11Z)
• Improving the Sample-Complexity of Deep Classification Networks with Invariant Integration [77.99182201815763]
  変換によるクラス内分散に関する事前知識を活用することは、ディープニューラルネットワークのサンプル複雑性を改善するための強力な方法である。 そこで本研究では,アプリケーションの複雑な問題に対処するために,プルーニング法に基づく新しい単項選択アルゴリズムを提案する。 本稿では,Rotated-MNIST,SVHN,CIFAR-10データセットにおけるサンプルの複雑さの改善について述べる。
  論文  参考訳（メタデータ） (2022-02-08T16:16:11Z)
• CSformer: Bridging Convolution and Transformer for Compressive Sensing [65.22377493627687]
  本稿では,CNNからの詳細な空間情報を活用するためのハイブリッドフレームワークと,表現学習の強化を目的としたトランスフォーマーが提供するグローバルコンテキストを統合することを提案する。 提案手法は、適応的なサンプリングとリカバリからなるエンドツーエンドの圧縮画像センシング手法である。 実験により, 圧縮センシングにおける専用トランスアーキテクチャの有効性が示された。
  論文  参考訳（メタデータ） (2021-12-31T04:37:11Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)
• Analysis of Deep Complex-Valued Convolutional Neural Networks for MRI Reconstruction [9.55767753037496]
  本研究では、2チャネル実数値ネットワークの代わりに画像再構成のための終端複素値畳み込みニューラルネットワークについて検討する。 複雑な値の畳み込みを持つ複素値CNNは、トレーニング可能なパラメータの数が同じ実値の畳み込みよりも優れた再構成を提供することがわかった。
  論文  参考訳（メタデータ） (2020-04-03T19:00:23Z)
• Co-VeGAN: Complex-Valued Generative Adversarial Network for Compressive Sensing MR Image Reconstruction [8.856953486775716]
  本稿では,複素値入力を処理するための,複素値対向ネットワーク(Co-VeGAN)に基づく新しいフレームワークを提案する。 我々のモデルは複雑な値入力を処理でき、CS-MR画像の高品質な再構成を可能にする。
  論文  参考訳（メタデータ） (2020-02-24T20:28:49Z)

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。