論文の概要: A Probabilistic Generative Model of Free Categories
- arxiv url: http://arxiv.org/abs/2205.04545v1
- Date: Mon, 9 May 2022 20:35:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 17:22:06.023104
- Title: A Probabilistic Generative Model of Free Categories
- Title(参考訳): 自由カテゴリの確率的生成モデル
- Authors: Eli Sennesh, Tom Xu, Yoshihiro Maruyama
- Abstract要約: 本稿では、領域固有の生成対象と射に対する自由モノイド圏における射の確率的生成モデルを定義する。
非巡回配線図は、モデルが射を生成するために使用できる射の仕様をモデル化することができる。
具体的な実験により、フリーカテゴリはOmniglotデータセット上で事前の競合的再構成性能を達成することが示された。
- 参考スコア(独自算出の注目度): 1.7679374058425343
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Applied category theory has recently developed libraries for computing with
morphisms in interesting categories, while machine learning has developed ways
of learning programs in interesting languages. Taking the analogy between
categories and languages seriously, this paper defines a probabilistic
generative model of morphisms in free monoidal categories over domain-specific
generating objects and morphisms. The paper shows how acyclic directed wiring
diagrams can model specifications for morphisms, which the model can use to
generate morphisms. Amortized variational inference in the generative model
then enables learning of parameters (by maximum likelihood) and inference of
latent variables (by Bayesian inversion). A concrete experiment shows that the
free category prior achieves competitive reconstruction performance on the
Omniglot dataset.
- Abstract(参考訳): 応用圏論は、最近、興味あるカテゴリーにおける射を伴う計算ライブラリを開発し、機械学習は興味深い言語における学習プログラムの方法を開発した。
カテゴリーと言語間の類似を真剣に考えると、ドメイン固有の生成対象と射に対する自由モノイド圏の射の確率的生成モデルを定義する。
この論文は、非巡回有向配線図が射の仕様をモデル化し、モデルが射を生成できることを示す。
生成モデルにおけるamortized variational inferenceは、(最大確率による)パラメータの学習と(ベイズ反転による)潜在変数の推論を可能にする。
具体的な実験により、Omniglotデータセット上での競合的再構成性能をフリーカテゴリが達成できることが示されている。
関連論文リスト
- Algebraic Dynamical Systems in Machine Learning [0.1843404256219181]
繰り返し書き起こしシステムの出力に適用される関数がモデルの形式クラスを定義することを示す。
また、これらの代数モデルは、動的モデルの合成性を記述するための自然言語であることを示す。
これらのモデルは、構造化または非数値データ上の問題を学ぶための上記の動的モデルの一般化のためのテンプレートを提供する。
論文 参考訳(メタデータ) (2023-11-06T14:10:40Z) - String Diagrams with Factorized Densities [0.0]
確率的プログラムと因果モデルの両方が、確率変数の集合上の合同確率密度を定義する。
この研究は、確率写像のマルコフ圏の研究に基づいて、射が各サンプル空間上で分解された結合密度と、サンプルから値を返す決定論的写像を結合する圏を定義する。
論文 参考訳(メタデータ) (2023-05-04T02:30:44Z) - Language Model Cascades [72.18809575261498]
テスト時に1つのモデルで繰り返し対話する、あるいは複数のモデルの合成は、さらに機能を拡張する。
制御フローと動的構造を持つ場合、確率的プログラミングのテクニックが必要となる。
この観点から、スクラッチパッド/思考連鎖、検証器、STaR、選択推論、ツール利用など、いくつかの既存のテクニックを定式化します。
論文 参考訳(メタデータ) (2022-07-21T07:35:18Z) - Model-agnostic multi-objective approach for the evolutionary discovery
of mathematical models [55.41644538483948]
現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。
合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
論文 参考訳(メタデータ) (2021-07-07T11:17:09Z) - Conditional Neural Relational Inference for Interacting Systems [58.141087282927415]
我々は、類似しているが異なる相互作用するオブジェクトのグループのダイナミクスをモデル化することを学ぶ。
ベクトル記述から任意の群から条件生成が可能なモデルを開発する。
我々は,ヒト歩行のモデル化と,特に病理的ヒト歩行のモデル化におけるモデルの評価を行った。
論文 参考訳(メタデータ) (2021-06-21T13:05:48Z) - Discovering Relationships between Object Categories via Universal
Canonical Maps [80.07703460198198]
変形可能なオブジェクトの複数カテゴリの幾何学を共同で学習する問題に取り組む。
近年の研究では、関連オブジェクトのいくつかのカテゴリに対して、統合された高密度ポーズ予測器を学習できることが示されている。
改良された対応性は,カテゴリ固有の高密度ポーズ予測器の自然な副産物として自動的に学習できることを示す。
論文 参考訳(メタデータ) (2021-06-17T18:38:18Z) - The Role of Isomorphism Classes in Multi-Relational Datasets [6.419762264544509]
アイソモーフィックリークは,マルチリレーショナル推論の性能を過大評価することを示す。
モデル評価のためのアイソモーフィック・アウェア・シンセサイティング・ベンチマークを提案する。
また、同型類は単純な優先順位付けスキームによって利用することができることを示した。
論文 参考訳(メタデータ) (2020-09-30T12:15:24Z) - Categorical Stochastic Processes and Likelihood [1.14219428942199]
確率論的モデリングと関数近似の関係をカテゴリー論的に考察する。
これらの拡張がStochおよび他のマルコフ圏とどのように関係しているかを示す。
本稿では,統計モデルのカテゴリから学習者のカテゴリへのアイデンティティ・オン・オブジェクト・ファクタの定義方法を示す。
論文 参考訳(メタデータ) (2020-05-10T18:00:56Z) - Learning Bijective Feature Maps for Linear ICA [73.85904548374575]
画像データに適した既存の確率的深層生成モデル (DGM) は, 非線形ICAタスクでは不十分であることを示す。
そこで本研究では,2次元特徴写像と線形ICAモデルを組み合わせることで,高次元データに対する解釈可能な潜在構造を学習するDGMを提案する。
画像上のフローベースモデルや線形ICA、変分オートエンコーダよりも、高速に収束し、訓練が容易なモデルを作成し、教師なしの潜在因子発見を実現する。
論文 参考訳(メタデータ) (2020-02-18T17:58:07Z) - FLAT: Few-Shot Learning via Autoencoding Transformation Regularizers [67.46036826589467]
本稿では,データ例のラベルを使わずに,変換の分布によって引き起こされる特徴表現の変化を学習することで,新たな正規化機構を提案する。
エンコードされた特徴レベルで変換強化されたバリエーションを検査することで、ベースカテゴリへのオーバーフィットのリスクを最小限に抑えることができる。
実験結果から,文学における現在の最先端手法よりも優れた性能を示した。
論文 参考訳(メタデータ) (2019-12-29T15:26:28Z)
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。