Fugu-MT 論文翻訳(概要): Nonlinear Isometric Manifold Learning for Injective Normalizing Flows

論文の概要: Nonlinear Isometric Manifold Learning for Injective Normalizing Flows

arxiv url: http://arxiv.org/abs/2203.03934v1
Date: Tue, 8 Mar 2022 08:57:43 GMT
ステータス: 処理完了
システム内更新日: 2022-03-09 22:24:43.421379
Title: Nonlinear Isometric Manifold Learning for Injective Normalizing Flows
Title（参考訳）: インジェクティブ正規化流れに対する非線形等尺多様体学習
Authors: Eike Cramer, Felix Rauh, Alexander Mitsos, Ra\'ul Tempone, Manuel Dahmen
Abstract要約: そこで我々は,Isometric autoencoder を用いて,明示的な逆数を持つ非線形符号化を設計することを提案する。アイソメトリーにより、多様体の学習と密度推定を分離し、両方の部品を高精度に訓練することができる。
参考スコア（独自算出の注目度）: 58.720142291102135
License: http://creativecommons.org/licenses/by/4.0/
Abstract: To model manifold data using normalizing flows, we propose to employ the isometric autoencoder to design nonlinear encodings with explicit inverses. The isometry allows us to separate manifold learning and density estimation and train both parts to high accuracy. Applied to the MNIST data set, the combined approach generates high-quality images.
Abstract（参考訳）: 正規化フローを用いて多様体データをモデル化するために,非線型符号化を明示的逆数で設計する等尺オートエンコーダを提案する。アイソメトリーにより、多様体の学習と密度推定を分離し、両方の部品を高精度に訓練することができる。 MNISTデータセットに適用すると、組み合わせたアプローチは高品質な画像を生成する。

関連論文リスト

Canonical normalizing flows for manifold learning [14.377143992248222]
そこで本研究では,新しい目的によって変換行列を強制し,顕著で非退化的な基底関数をほとんど持たない正準多様体学習フロー法を提案する。正準多様体の流れは潜在空間をより効率的に利用し、データを表現するために顕著で異なる次元を自動生成する。
論文参考訳（メタデータ） (2023-10-19T13:48:05Z)
Out-of-distribution detection using normalizing flows on the data manifold [3.725042082196983]
本研究では,正規化フローを用いた多様体学習が分布外検出に及ぼす影響について検討した。本研究では,正規化フローとして知られる確率ベースモデルの分布外検出能力を,多様体学習により向上させることを示す。
論文参考訳（メタデータ） (2023-08-26T07:35:16Z)
Convolutional Filtering on Sampled Manifolds [122.06927400759021]
サンプル多様体上の畳み込みフィルタリングは連続多様体フィルタリングに収束することを示す。本研究は,ナビゲーション制御の問題点を実証的に明らかにした。
論文参考訳（メタデータ） (2022-11-20T19:09:50Z)
VQ-Flows: Vector Quantized Local Normalizing Flows [2.7998963147546148]
データ多様体上の「チャートマップ」として局所正規化フローの混合を学習するための新しい統計フレームワークを導入する。本フレームワークは, 正規化フローのシグネチャ特性を保ちながら, 最近の手法の表現性を向上し, 正確な密度評価を行う。
論文参考訳（メタデータ） (2022-03-22T09:22:18Z)
Discrete Denoising Flows [87.44537620217673]
分類的確率変数に対する離散的フローベースモデル(DDF)を提案する。他の離散フローベースモデルとは対照的に、我々のモデルは勾配バイアスを導入することなく局所的に訓練することができる。そこで本研究では, DDFs が離散フローより優れていることを示し, 対数類似度で測定した2値MNIST と Cityscapes のセグメンテーションマップをモデル化した。
論文参考訳（メタデータ） (2021-07-24T14:47:22Z)
Tractable Density Estimation on Learned Manifolds with Conformal Embedding Flows [0.0]
正規化フローは、単純な基底分布を複素対象分布に変換することにより、トラクタブル密度推定を提供する。この問題を治療するための最近の試みは、正確な密度推定という、フローを正規化するという中心的な利益を損なう幾何学的な合併症を導入している。我々は、訓練可能な共形埋め込みで標準流れを構成することが、多様体が支持するデータをモデル化する最も自然な方法であると主張する。
論文参考訳（メタデータ） (2021-06-09T18:00:00Z)
Rectangular Flows for Manifold Learning [38.63646804834534]
正規化フローは、トラクタブル・オブ・ボリューム項を持つ可逆ニューラルネットワークである。興味のあるデータは、通常、高次元の周囲空間に埋め込まれたいくつかの(しばしば未知の)低次元多様体に生きていると仮定される。本稿では,モデルのパラメータに関して,この項の勾配を抽出可能な2つの手法を提案する。
論文参考訳（メタデータ） (2021-06-02T18:30:39Z)
Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文参考訳（メタデータ） (2021-04-11T09:50:24Z)
Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文参考訳（メタデータ） (2020-09-01T15:08:23Z)
Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。