論文の概要: Multi-view hierarchical Variational AutoEncoders with Factor Analysis
latent space
- arxiv url: http://arxiv.org/abs/2207.09185v1
- Date: Tue, 19 Jul 2022 10:46:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-20 13:13:53.320801
- Title: Multi-view hierarchical Variational AutoEncoders with Factor Analysis
latent space
- Title(参考訳): 因子解析潜在空間を有する多視点階層型変分オートエンコーダ
- Authors: Alejandro Guerrero-L\'opez, Carlos Sevilla-Salcedo, Vanessa
G\'omez-Verdejo, Pablo M. Olmos
- Abstract要約: 本稿では,複数変分オートエンコーダと因子解析潜時空間を組み合わせた新しい手法を提案する。
プライベート情報と共有情報の間に、解釈可能な階層的依存関係を作成します。
この方法で、新しいモデルは同時に得ることができる: (i) 複数の異種ビューから学習し、 (ii)解釈可能な階層的共有空間を取得し、 (iii)生成モデル間で伝達学習を行う。
- 参考スコア(独自算出の注目度): 67.60224656603823
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Real-world databases are complex, they usually present redundancy and shared
correlations between heterogeneous and multiple representations of the same
data. Thus, exploiting and disentangling shared information between views is
critical. For this purpose, recent studies often fuse all views into a shared
nonlinear complex latent space but they lose the interpretability. To overcome
this limitation, here we propose a novel method to combine multiple Variational
AutoEncoders (VAE) architectures with a Factor Analysis latent space (FA-VAE).
Concretely, we use a VAE to learn a private representation of each
heterogeneous view in a continuous latent space. Then, we model the shared
latent space by projecting every private variable to a low-dimensional latent
space using a linear projection matrix. Thus, we create an interpretable
hierarchical dependency between private and shared information. This way, the
novel model is able to simultaneously: (i) learn from multiple heterogeneous
views, (ii) obtain an interpretable hierarchical shared space, and, (iii)
perform transfer learning between generative models.
- Abstract(参考訳): 実世界のデータベースは複雑で、通常、同一データの不均一性と複数の表現の間の冗長性と共有相関を示す。
したがって、ビュー間の共有情報の利用と無効化が重要である。
この目的のために、最近の研究はしばしばすべてのビューを共有非線形複素潜在空間に融合させるが、それらは解釈可能性を失う。
本稿では,複数の変分オートエンコーダ(VAE)アーキテクチャと因子解析潜時空間(FA-VAE)を組み合わせた新しい手法を提案する。
具体的には、vaeを用いて連続的潜在空間における各異種ビューのプライベート表現を学習する。
次に,すべてのプライベート変数を線形射影行列を用いて低次元の潜在空間に投影することにより,共有潜在空間をモデル化する。
これにより、プライベート情報と共有情報の間の階層的依存関係を解釈可能とする。
このようにして、新しいモデルは同時にできる。
(i)複数の異質な視点から学ぶ。
(ii)解釈可能な階層的共有空間を得る、及び、
(iii)生成モデル間の転送学習を行う。
関連論文リスト
- Anchor-based Multi-view Subspace Clustering with Hierarchical Feature
Descent [50.283640069991]
マルチビュークラスタリングは、様々なソースから情報を集約する能力によって、注目を集めている。
階層的特徴Descentを用いたアンカーベースマルチビューサブスペースクラスタリングを提案する。
提案手法は最先端技術より一貫して優れている。
論文 参考訳(メタデータ) (2023-10-11T03:29:13Z) - Dynamic Latent Separation for Deep Learning [67.62190501599176]
機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。
本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
論文 参考訳(メタデータ) (2022-10-07T17:56:53Z) - Towards Understanding and Mitigating Dimensional Collapse in
Heterogeneous Federated Learning [114.32726625370258]
フェデレートラーニングは、プライバシを考慮したデータ共有を必要とせずに、さまざまなクライアントでモデルをトレーニングすることを目的としている。
本研究では,データの不均一性がグローバル集約モデルの表現に与える影響について検討する。
フェデレーション学習における次元的崩壊を効果的に緩和する新しい手法である sc FedDecorr を提案する。
論文 参考訳(メタデータ) (2022-10-01T09:04:17Z) - Adaptively-weighted Integral Space for Fast Multiview Clustering [54.177846260063966]
線形複雑度に近い高速マルチビュークラスタリングのための適応重み付き積分空間(AIMC)を提案する。
特に、ビュー生成モデルは、潜在積分空間からのビュー観測を再構成するために設計されている。
いくつかの実世界のデータセットで実施された実験は、提案したAIMC法の優位性を確認した。
論文 参考訳(メタデータ) (2022-08-25T05:47:39Z) - Tensor-based Multi-view Spectral Clustering via Shared Latent Space [14.470859959783995]
MvSC(Multi-view Spectral Clustering)は多様なデータソースによって注目を集めている。
MvSCの新しい手法はRestricted Kernel Machineフレームワークから共有潜在空間を介して提案される。
論文 参考訳(メタデータ) (2022-07-23T17:30:54Z) - Encoding Domain Knowledge in Multi-view Latent Variable Models: A
Bayesian Approach with Structured Sparsity [7.811916700683125]
MuVI はドメインインフォームド・マルチビュー潜在変数モデルのための新しいアプローチである。
私たちのモデルは、機能セットの形でノイズの多いドメインの専門知識を統合することができることを実証しています。
論文 参考訳(メタデータ) (2022-04-13T08:22:31Z) - Variational Interpretable Learning from Multi-view Data [2.687817337319978]
DICCAは、多視点データの共有とビュー固有のバリエーションの両方を分離するように設計されている。
実世界のデータセットにおける実証的な結果は、我々の手法がドメイン間で競合していることを示している。
論文 参考訳(メタデータ) (2022-02-28T01:56:44Z) - Latent Correlation-Based Multiview Learning and Self-Supervision: A
Unifying Perspective [41.80156041871873]
この研究は、教師なしのマルチビュー学習のための理論支援フレームワークを提供する。
私たちの開発は、各ビューが共有コンポーネントとプライベートコンポーネントの非線形混合であるマルチビューモデルの提案から始まります。
さらに、各ビュー内のプライベート情報を適切な正規化設計を用いて共有から確実に切り離すことができる。
論文 参考訳(メタデータ) (2021-06-14T00:12:36Z) - Variational Inference for Deep Probabilistic Canonical Correlation
Analysis [49.36636239154184]
線形多視点層と深層生成ネットワークを観測モデルとして構成した深部確率的多視点モデルを提案する。
潜在確率多視点層の後方分布を近似した効率的な変分推論法を開発した。
任意の数のビューを持つモデルへの一般化も提案されている。
論文 参考訳(メタデータ) (2020-03-09T17:51:15Z)
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。