Fugu-MT 論文翻訳(概要): Testing the boundaries: Normalizing Flows for higher dimensional data sets

論文の概要: Testing the boundaries: Normalizing Flows for higher dimensional data sets

arxiv url: http://arxiv.org/abs/2202.09188v1
Date: Fri, 18 Feb 2022 13:31:24 GMT
ステータス: 処理完了
システム内更新日: 2022-02-21 18:08:49.110556
Title: Testing the boundaries: Normalizing Flows for higher dimensional data sets
Title（参考訳）: 境界検定:高次元データセットのための正規化フロー
Authors: Humberto Reyes-Gonzalez, Riccardo Torre
Abstract要約: 正規化フロー(NF)は、生成モデルの強力なクラスとして現れている。市場で最も人気のあるNFのいくつかのパフォーマンスを,次元が増加するおもちゃのデータセットで論じる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Normalizing Flows (NFs) are emerging as a powerful class of generative models, as they not only allow for efficient sampling, but also deliver, by construction, density estimation. They are of great potential usage in High Energy Physics (HEP), where complex high dimensional data and probability distributions are everyday's meal. However, in order to fully leverage the potential of NFs it is crucial to explore their robustness as data dimensionality increases. Thus, in this contribution, we discuss the performances of some of the most popular types of NFs on the market, on some toy data sets with increasing number of dimensions.
Abstract（参考訳）: 正規化フロー(NF)は、効率的なサンプリングを可能にするだけでなく、構築によって密度推定を行うことができるため、生成モデルの強力なクラスとして現れている。それらは、複雑な高次元データと確率分布が日常の食事である高エネルギー物理学(hep)において大きな可能性を秘めている。しかし、NFのポテンシャルを完全に活用するためには、データ次元が増加するにつれて、その堅牢性を探究することが重要である。そこで本論文では, 市販のNFにおいて, 寸法が増大する玩具データを用いて, 市販のNFの性能について論じる。

関連論文リスト

Flow Annealed Importance Sampling Bootstrap meets Differentiable Particle Physics [3.430001962400887]
Flow Annealed importance sample Bootstrap (FAB) に基づくアプローチを採用し、トレーニング中に異なるターゲット密度を評価する。その結果,FABのサンプリング効率は,他の手法と比較して高次元でのターゲット評価が少なくなった。
論文参考訳（メタデータ） (2024-11-25T09:48:11Z)
T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified Visual Modalities [69.16656086708291]
拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
論文参考訳（メタデータ） (2023-05-24T03:32:03Z)
Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。また、局所的な一貫性の結果に基づいた理論的保証も提供する。この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文参考訳（メタデータ） (2022-11-17T15:48:06Z)
ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文参考訳（メタデータ） (2022-08-18T16:07:59Z)
Flow Based Models For Manifold Data [11.344428134774475]
フローベース生成モデルは一般に、観測空間と同一の次元を持つ潜在空間を定義する。多くの問題において、データはそれらが常駐する全周囲データ空間を浮き彫りにせず、むしろ低次元多様体である。サンプル生成と表現品質の両方に利益をもたらす多様体を事前に学習することを提案する。
論文参考訳（メタデータ） (2021-09-29T06:48:01Z)
Principal Component Density Estimation for Scenario Generation Using Normalizing Flows [62.997667081978825]
低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
論文参考訳（メタデータ） (2021-04-21T08:42:54Z)
Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文参考訳（メタデータ） (2021-04-11T16:37:32Z)
Normalizing Flows Across Dimensions [10.21537170623373]
我々は、次元をまたぐことができる正規化フローの一般化であるノイズ注入流(NIF)を導入する。 NIF は射影変換を用いて高次元データ空間内の学習可能な多様体にラテント空間を明示的にマッピングする。実験により,本手法を既存のフローアーキテクチャに適用することにより,サンプルの品質を著しく向上し,分離可能なデータ埋め込みが得られることを示す。
論文参考訳（メタデータ） (2020-06-23T14:47:18Z)
Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。