Fugu-MT 論文翻訳(概要): ELF: Exact-Lipschitz Based Universal Density Approximator Flow

論文の概要: ELF: Exact-Lipschitz Based Universal Density Approximator Flow

arxiv url: http://arxiv.org/abs/2112.06997v1
Date: Mon, 13 Dec 2021 20:18:11 GMT
ステータス: 処理完了
システム内更新日: 2021-12-15 15:26:26.491989
Title: ELF: Exact-Lipschitz Based Universal Density Approximator Flow
Title（参考訳）: elf: 完全リプシッツ型普遍密度近似流れ
Authors: Achintya Gopal
Abstract要約: 本稿では, 残留流からのサンプリングの容易さと自己回帰流の強い性能を組み合わせた新しいエクサクト・リプシッツ流(ELF)を提案する。 ELFは、複数の大規模データセット上で最先端のパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Normalizing flows have grown more popular over the last few years; however, they continue to be computationally expensive, making them difficult to be accepted into the broader machine learning community. In this paper, we introduce a simple one-dimensional one-layer network that has closed form Lipschitz constants; using this, we introduce a new Exact-Lipschitz Flow (ELF) that combines the ease of sampling from residual flows with the strong performance of autoregressive flows. Further, we show that ELF is provably a universal density approximator, more computationally and parameter efficient compared to a multitude of other flows, and achieves state-of-the-art performance on multiple large-scale datasets.
Abstract（参考訳）: 正規化フローはここ数年で人気が高まっているが、計算コストは引き続き高く、より広範な機械学習コミュニティに受け入れられるのは難しい。本稿では,リプシッツ定数を閉じた単純な一次元一層ネットワークを提案する。これを用いて,残留流からのサンプリングの容易さと自己回帰流の強力な性能を組み合わせた新しい完全リプシッツ流れ(elf)を提案する。さらに,ALFは,複数の大規模データセット上での最先端性能を実現し,より計算的かつパラメータ効率の高い普遍密度近似器であることを示す。

関連論文リスト

FFHFlow: A Flow-based Variational Approach for Multi-fingered Grasp Synthesis in Real Time [19.308304984645684]
正規化フロー(NF)に基づくDGM(Deep Generative Model)の利用を提案する。我々はまず,不完全点雲上に条件付きグリップ分布を学習するために,単一条件NF(cNFs)を直接適用することにより,多様性の向上を推し進めた。これにより、我々は新しいフローベースd Deep Latent Variable Model (DLVM)を開発する動機となった。変分オートエンコーダ(VAE)とは異なり、提案するDLVMは2つのcNFを事前分布と可能性分布に利用することにより、典型的な落とし穴に対処する。
論文参考訳（メタデータ） (2024-07-21T13:33:08Z)
Verlet Flows: Exact-Likelihood Integrators for Flow-Based Generative Models [4.9425328004453375]
ハミルトン力学のシンプレクティックに着想を得た拡張状態空間上のCNFのクラスであるVerlet Flowを提案する。バーレットフローは、最小の表現性制約を課しながら、非連続的な設定から結合フローアーキテクチャを一般化する、正確な類似した生成モデルを提供する。おもちゃの密度に関する実験では、一般的なハッチンソントレース推定器のばらつきは重要サンプリングには適さないが、一方、Verletフローは完全オートグレートトレース計算に比較可能であり、かなり高速である。
論文参考訳（メタデータ） (2024-05-05T03:47:56Z)
Guided Flows for Generative Modeling and Decision Making [55.42634941614435]
その結果,ガイドフローは条件付き画像生成やゼロショット音声合成におけるサンプル品質を著しく向上させることがわかった。特に、我々は、拡散モデルと比較して、オフライン強化学習設定axスピードアップにおいて、まず、計画生成にフローモデルを適用する。
論文参考訳（メタデータ） (2023-11-22T15:07:59Z)
AccFlow: Backward Accumulation for Long-Range Optical Flow [70.4251045372285]
本稿では、長距離光フロー推定のためのAccFlowと呼ばれる新しいリカレントフレームワークを提案する。従来の前方累積よりも後方累積の方が優れていることを示す。長距離光流量推定におけるAccFlowの有効性を検証する実験
論文参考訳（メタデータ） (2023-08-25T01:51:26Z)
GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
光フロー推定学習のためのGMFlowフレームワークを提案する。機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
論文参考訳（メタデータ） (2021-11-26T18:59:56Z)
Self Normalizing Flows [65.73510214694987]
本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
論文参考訳（メタデータ） (2020-11-14T09:51:51Z)
Quasi-Autoregressive Residual (QuAR) Flows [0.0]
擬似自己回帰法(QuAR)を用いて残留流の簡易化を行う。従来の残流法と比較して、この単純化は残流の利点の多くを保ちながら、計算時間とメモリの要求を大幅に削減する。
論文参考訳（メタデータ） (2020-09-16T01:56:24Z)
Combining Differentiable PDE Solvers and Graph Neural Networks for Fluid Flow Prediction [79.81193813215872]
我々は,従来のグラフ畳み込みネットワークと,ネットワーク内部に組込み可能な流体力学シミュレータを組み合わせたハイブリッド(グラフ)ニューラルネットワークを開発した。ニューラルネットワークのCFD予測の大幅な高速化により,新たな状況に十分対応できることが示される。
論文参考訳（メタデータ） (2020-07-08T21:23:19Z)
Gaussianization Flows [113.79542218282282]
そこで本研究では,サンプル生成における効率のよい繰り返しと効率のよい逆変換を両立できる新しい型正規化フローモデルを提案する。この保証された表現性のため、サンプル生成の効率を損なうことなく、マルチモーダルなターゲット分布をキャプチャできる。
論文参考訳（メタデータ） (2020-03-04T08:15:06Z)

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。