論文の概要: Latent Variable Modelling Using Variational Autoencoders: A survey
- arxiv url: http://arxiv.org/abs/2206.09891v1
- Date: Mon, 20 Jun 2022 17:01:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 11:06:22.976972
- Title: Latent Variable Modelling Using Variational Autoencoders: A survey
- Title(参考訳): 変分オートエンコーダを用いた潜時変動モデルの検討
- Authors: Vasanth Kalingeri
- Abstract要約: 変分オートエンコーダは、大規模な複雑なデータセットの確率分布を学習する手法である。
本報告では、変分オートエンコーダの理論的理解と、この分野における現在の研究の統合について述べる。
機械学習の基本的なアイデアを持っているが、機械学習研究の一般的なテーマについて学びたい読者は、このレポートの恩恵を受けることができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A probability distribution allows practitioners to uncover hidden structure
in the data and build models to solve supervised learning problems using
limited data. The focus of this report is on Variational autoencoders, a method
to learn the probability distribution of large complex datasets. The report
provides a theoretical understanding of variational autoencoders and
consolidates the current research in the field.
The report is divided into multiple chapters, the first chapter introduces
the problem, describes variational autoencoders and identifies key research
directions in the field. Chapters 2, 3, 4 and 5 dive into the details of each
of the key research areas. Chapter 6 concludes the report and suggests
directions for future work.
A reader who has a basic idea of machine learning but wants to learn about
general themes in machine learning research can benefit from the report. The
report explains central ideas on learning probability distributions, what
people did to make this tractable and goes into details around how deep
learning is currently applied. The report also serves a gentle introduction for
someone looking to contribute to this sub-field.
- Abstract(参考訳): 確率分布により、実践者はデータの隠れた構造を明らかにし、限定されたデータを使って教師付き学習問題を解決するモデルを構築することができる。
本報告の焦点は,大規模複雑なデータセットの確率分布を学習するための変分オートエンコーダである。
この報告は変分オートエンコーダの理論的理解を提供し、この分野における現在の研究を統合する。
報告書は複数の章に分けられ、第1章では問題を紹介し、変分オートエンコーダを記述し、この分野の主要な研究方向を特定する。
第2章、第3章、第4章、第5章は各研究領域の詳細を掘り下げる。
第6章は報告書をまとめ、今後の作業の方向性を提案する。
機械学習の基本的なアイデアを持っているが、機械学習研究の一般的なテーマについて学びたい読者は、レポートの恩恵を受けることができる。
このレポートでは、確率分布の学習に関する中心的なアイデアと、これを理解可能にするために行ったこと、ディープラーニングが現在どのように適用されているかの詳細について説明している。
このレポートは、このサブフィールドに貢献したい人のための、穏やかな紹介でもある。
関連論文リスト
- Spurious Correlations in Machine Learning: A Survey [69.89249134046086]
機械学習システムは、入力の偏りのある特徴と対応するラベルの間の急激な相関に敏感である。
これらの特徴とそのラベルとの相関は"spurious"として知られている。
我々は、機械学習モデルにおける素早い相関に対処する現在の最先端の手法の分類とともに、この問題を包括的にレビューする。
論文 参考訳(メタデータ) (2024-02-20T04:49:34Z) - Prospector Heads: Generalized Feature Attribution for Large Models &
Data [63.33062996732212]
本稿では,特徴帰属のための説明に基づく手法の,効率的かつ解釈可能な代替手段であるプロスペクタヘッドを紹介する。
入力データにおけるクラス固有のパターンの解釈と発見を、プロファイラヘッドがいかに改善できるかを実証する。
論文 参考訳(メタデータ) (2024-02-18T23:01:28Z) - Supervised Algorithmic Fairness in Distribution Shifts: A Survey [18.88904307983235]
現実世界のアプリケーションでは、機械学習モデルは特定のデータセットでトレーニングされることが多いが、データ分散がシフトする可能性のある環境にデプロイされる。
この変化は、人種や性別などのセンシティブな属性によって特徴づけられる特定のグループに不公平な予測をもたらす可能性がある。
論文 参考訳(メタデータ) (2024-02-02T11:26:18Z) - Robust Computer Vision in an Ever-Changing World: A Survey of Techniques
for Tackling Distribution Shifts [20.17397328893533]
AIアプリケーションは、ますます一般大衆に注目を集めている。
コンピュータビジョンモデルに関する理論的な仮定と、それらのモデルが現実世界に展開する際に直面する現実との間には、顕著なギャップがある。
このギャップの重要な理由の1つは、分散シフトとして知られる難しい問題である。
論文 参考訳(メタデータ) (2023-12-03T23:40:12Z) - On the Joint Interaction of Models, Data, and Features [82.60073661644435]
本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。
これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。
この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
論文 参考訳(メタデータ) (2023-06-07T21:35:26Z) - Interpretability and Explainability: A Machine Learning Zoo Mini-tour [4.56877715768796]
解釈可能性と説明可能性は、医学、経済学、法学、自然科学における多くの機械学習および統計応用の中核にある。
本稿では,解釈可能性と説明可能性の相違を強調し,これら2つの研究方向について,その具体例を示す。
論文 参考訳(メタデータ) (2020-12-03T10:11:52Z) - Generating Long Financial Report using Conditional Variational
Autoencoders with Knowledge Distillation [16.863325587429646]
本稿では,ニュースレポートデータのコーパスから外部知識を抽出する条件付き変分オートエンコーダに基づく手法を提案する。
ニュースレポートデータのコーパスセットから高レベルの潜伏変数分布を学習し、それぞれ入力ニュースに対して実行され、予め学習した潜伏変数分布に対するバックグラウンド知識を提供する。
論文 参考訳(メタデータ) (2020-10-23T06:32:10Z) - Deducing neighborhoods of classes from a fitted model [68.8204255655161]
本稿では,新しいタイプの解釈可能な機械学習手法を提案する。
量子シフトを用いた分類モデルでは、特徴空間の予測クラスへの分割を理解するのに役立ちます。
基本的に、実際のデータポイント(または特定の関心点)を使用し、特定の特徴をわずかに引き上げたり減少させたりした後の予測の変化を観察する。
論文 参考訳(メタデータ) (2020-09-11T16:35:53Z) - Visual Neural Decomposition to Explain Multivariate Data Sets [13.117139248511783]
多次元データセットにおける変数間の関係を調べることは、データアナリストとエンジニアにとって共通の課題である。
本稿では,入力変数と対象変数との相関関係を可視化する新しい手法を提案する。
論文 参考訳(メタデータ) (2020-09-11T15:53:37Z) - Recurrent Chunking Mechanisms for Long-Text Machine Reading
Comprehension [59.80926970481975]
機械読解(MRC)を長文で研究する。
モデルは長い文書と質問を入力として取り、回答として文書からテキストを抽出する。
我々は、モデルに強化学習を通じてより柔軟な方法でチャンクを学習させることを提案する。
論文 参考訳(メタデータ) (2020-05-16T18:08:58Z) - ENT-DESC: Entity Description Generation by Exploring Knowledge Graph [53.03778194567752]
実際には、出力記述が最も重要な知識のみをカバーするため、入力知識は十分以上である可能性がある。
我々は、KG-to-textにおけるこのような実践的なシナリオの研究を容易にするために、大規模で挑戦的なデータセットを導入する。
本稿では,元のグラフ情報をより包括的に表現できるマルチグラフ構造を提案する。
論文 参考訳(メタデータ) (2020-04-30T14:16:19Z)
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。