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

• A Survey of Deep Learning-based Radiology Report Generation Using Multimodal Data [41.8344712915454]
  自動放射線診断レポート生成は、医師の作業負荷を軽減し、医療資源の地域格差を最小限にすることができる。 マルチモーダル入力データから情報を得るためには、医師を模倣する計算モデルが必要であるため、これは難しい課題である。 近年, トランスフォーマー, コントラスト学習, 知識ベース構築など, 深層学習に基づく手法を用いてこの問題に対処する研究が進められている。 本調査では,最新の研究で開発された重要な手法を要約し,ディープラーニングに基づくレポート生成のための一般的なワークフローを提案する。
  論文  参考訳（メタデータ） (2024-05-21T14:37:35Z)
• Supervised Algorithmic Fairness in Distribution Shifts: A Survey [17.826312801085052]
  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)
• A Closer Look at Few-shot Classification Again [68.44963578735877]
  トレーニングフェーズと適応フェーズで構成されている。 トレーニングアルゴリズムと適応アルゴリズムが完全に絡み合っていることを実証的に証明する。 各フェーズのメタアナリシスは、いくつかの興味深い洞察を示し、いくつかのショット分類の重要な側面をよりよく理解するのに役立ちます。
  論文  参考訳（メタデータ） (2023-01-28T16:42:05Z)
• 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)
• SupMMD: A Sentence Importance Model for Extractive Summarization using Maximum Mean Discrepancy [92.5683788430012]
  SupMMDは、カーネルの2サンプルテストと最大の相違点に基づく、ジェネリックおよび更新の要約のための新しいテクニックである。 DUC-2004 および TAC-2009 データセット上での現在の技術状況を満たしたり超えたりすることで,SupMMD の総合的および更新的要約タスクにおける有効性を示す。
  論文  参考訳（メタデータ） (2020-10-06T09:26:55Z)
• 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)
• 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。