論文の概要: Conditional Permutation Invariant Flows
- arxiv url: http://arxiv.org/abs/2206.09021v1
- Date: Fri, 17 Jun 2022 21:43:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-22 14:25:25.902669
- Title: Conditional Permutation Invariant Flows
- Title(参考訳): 条件付き置換不変フロー
- Authors: Berend Zwartsenberg, Adam \'Scibior, Matthew Niedoba, Vasileios
Lioutas, Yunpeng Liu, Justice Sefas, Setareh Dabiri, Jonathan Wilder
Lavington, Trevor Campbell, Frank Wood
- Abstract要約: トラクタブルログ密度を持つ集合値データの条件付き生成確率モデルを提案する。
これらのダイナミクスは、学習可能なセット単位の項とペアの相互作用によって駆動され、どちらもディープニューラルネットワークによってパラメータ化される。
本稿では,(1)視覚的に特定された地図情報に条件付けされた複雑な交通シーン生成,(2)画像に直接条件付けされたオブジェクト境界ボックス生成などのアプリケーションを通じて,このモデルの有用性を解説する。
- 参考スコア(独自算出の注目度): 23.740061786510417
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We present a novel, conditional generative probabilistic model of set-valued
data with a tractable log density. This model is a continuous normalizing flow
governed by permutation equivariant dynamics. These dynamics are driven by a
learnable per-set-element term and pairwise interactions, both parametrized by
deep neural networks. We illustrate the utility of this model via applications
including (1) complex traffic scene generation conditioned on visually
specified map information, and (2) object bounding box generation conditioned
directly on images. We train our model by maximizing the expected likelihood of
labeled conditional data under our flow, with the aid of a penalty that ensures
the dynamics are smooth and hence efficiently solvable. Our method
significantly outperforms non-permutation invariant baselines in terms of log
likelihood and domain-specific metrics (offroad, collision, and combined
infractions), yielding realistic samples that are difficult to distinguish from
real data.
- Abstract(参考訳): 本稿では,トラクタブルログ密度を持つ集合値データの条件付き生成確率モデルを提案する。
このモデルは、置換同変ダイナミクスによって支配される連続正規化フローである。
これらのダイナミクスは、学習可能なセット単位の項とペアの相互作用によって駆動される。
本稿では,(1)視覚特定地図情報に基づく複雑なトラヒックシーン生成,(2)画像に直接条件づけられたオブジェクトバウンディングボックス生成といったアプリケーションを用いて,このモデルの有用性を示す。
我々は,流動下でのラベル付き条件データの予測可能性を最大化し,力学が滑らかで効率的に解けることを保証するペナルティを生かしてモデルを訓練する。
提案手法は, 実データと区別が難しい実例を生み出すため, 非置換不変基線に対して, 対数確率と領域固有測度(オフロード, 衝突, 複合屈折法)で著しく優れる。
関連論文リスト
- Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。
物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。
PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文 参考訳(メタデータ) (2024-07-10T17:39:50Z) - On the Trajectory Regularity of ODE-based Diffusion Sampling [79.17334230868693]
拡散に基づく生成モデルは微分方程式を用いて、複素データ分布と抽出可能な事前分布の間の滑らかな接続を確立する。
本稿では,拡散モデルのODEに基づくサンプリングプロセスにおいて,いくつかの興味深い軌道特性を同定する。
論文 参考訳(メタデータ) (2024-05-18T15:59:41Z) - Conditional Pseudo-Reversible Normalizing Flow for Surrogate Modeling in Quantifying Uncertainty Propagation [11.874729463016227]
付加雑音によって汚染された物理モデルの代理モデルを構築するための条件付き擬似可逆正規化フローを導入する。
トレーニングプロセスは、ノイズと関数に関する事前知識を必要とせずに、入出力ペアからなるデータセットを利用する。
トレーニングされたモデルでは,高い確率領域をトレーニングセットでカバーした条件付き確率密度関数からサンプルを生成することができる。
論文 参考訳(メタデータ) (2024-03-31T00:09:58Z) - Stochastic interpolants with data-dependent couplings [31.854717378556334]
補間剤の枠組みを用いて、ベースとターゲット密度を補間する方法を定式化する。
これらのトランスポートマップは、標準的な独立な設定に類似した単純な2乗損失回帰問題を解くことで学習可能であることを示す。
論文 参考訳(メタデータ) (2023-10-05T17:46:31Z) - Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
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。
論文 参考訳(メタデータ) (2022-03-08T08:57:43Z) - 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) - Low-Rank Hankel Tensor Completion for Traffic Speed Estimation [7.346671461427793]
交通状態推定問題に対する純粋にデータ駆動型かつモデルフリーなソリューションを提案する。
このテンソル構造に低ランクな仮定を課すことで、大域的パターンと未知の複素局所力学の両方を近似することができる。
本研究では,合成シミュレーションデータと実世界の高分解能データの両方について数値実験を行い,提案モデルの有効性と優位性を実証した。
論文 参考訳(メタデータ) (2021-05-21T00:08:06Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳(メタデータ) (2020-10-24T07:01:24Z) - Variational Mixture of Normalizing Flows [0.0]
生成逆数ネットワークオートサイトGAN、変分オートエンコーダオートサイトベイペーパー、およびそれらの変種などの深い生成モデルは、複雑なデータ分布をモデル化するタスクに広く採用されている。
正規化フローはこの制限を克服し、確率密度関数にそのような公式の変更を利用する。
本研究は,混合モデルのコンポーネントとして正規化フローを用い,そのようなモデルのエンドツーエンドトレーニング手順を考案することによって,この問題を克服する。
論文 参考訳(メタデータ) (2020-09-01T17:20:08Z) - Modeling Continuous Stochastic Processes with Dynamic Normalizing Flows [40.9137348900942]
ウィナー過程の微分変形によって駆動される新しいタイプの流れを提案する。
その結果,観測可能なプロセスが基本プロセスの魅力的な特性の多くを継承するリッチ時系列モデルが得られた。
論文 参考訳(メタデータ) (2020-02-24T20:13:43Z) - 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。
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。