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/2203.03934v2
Date: Mon, 8 May 2023 17:22:42 GMT
ステータス: 処理完了
システム内更新日: 2023-05-10 01:13:40.575037
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: アイソメトリーを用いて、多様体学習と密度推定を分離する。また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
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 employ isometric autoencoders to design embeddings with explicit inverses that do not distort the probability distribution. Using isometries separates manifold learning and density estimation and enables training of both parts to high accuracy. Thus, model selection and tuning are simplified compared to existing injective normalizing flows. Applied to data sets on (approximately) flat manifolds, the combined approach generates high-quality data.
Abstract（参考訳）: 正規化流を用いて多様体データをモデル化するために, 等尺オートエンコーダを用い, 確率分布を歪めない明示的な逆解析による埋め込みを設計する。イソメトリーを用いることで、多様体学習と密度推定を分離し、両方の部分のトレーニングを高精度に行うことができる。このように、モデル選択とチューニングは既存のインジェクティブ正規化フローと比較して単純化される。ほぼ)平坦多様体上のデータセットに適用すると、結合アプローチは高品質なデータを生成する。

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。