論文の概要: HSIC-InfoGAN: Learning Unsupervised Disentangled Representations by
Maximising Approximated Mutual Information
- arxiv url: http://arxiv.org/abs/2208.03563v1
- Date: Sat, 6 Aug 2022 18:38:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 13:20:45.138572
- Title: HSIC-InfoGAN: Learning Unsupervised Disentangled Representations by
Maximising Approximated Mutual Information
- Title（参考訳）: HSIC-InfoGAN:近似相互情報の最大化による教師なしアンタングル表現の学習
- Authors: Xiao Liu, Spyridon Thermos, Pedro Sanchez, Alison Q. O'Neil, Sotirios
A. Tsaftaris
- Abstract要約: InfoGANは、教師なしの非教師付き非教師付き表現を学習する一般的な非教師付きフレームワークである。
我々はHilbert-Schmidt Independence Criterion (HSIC) を用いて、潜在表現と画像間の相互情報を近似する。
- 参考スコア（独自算出の注目度）: 22.741376970643973
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning disentangled representations requires either supervision or the
introduction of specific model designs and learning constraints as biases.
InfoGAN is a popular disentanglement framework that learns unsupervised
disentangled representations by maximising the mutual information between
latent representations and their corresponding generated images. Maximisation
of mutual information is achieved by introducing an auxiliary network and
training with a latent regression loss. In this short exploratory paper, we
study the use of the Hilbert-Schmidt Independence Criterion (HSIC) to
approximate mutual information between latent representation and image, termed
HSIC-InfoGAN. Directly optimising the HSIC loss avoids the need for an
additional auxiliary network. We qualitatively compare the level of
disentanglement in each model, suggest a strategy to tune the hyperparameters
of HSIC-InfoGAN, and discuss the potential of HSIC-InfoGAN for medical
applications.
- Abstract（参考訳）: 不整合表現の学習には、特定のモデル設計の導入とバイアスとしての学習制約の監督が必要である。
InfoGANは、潜在表現と対応する生成画像の相互情報を最大化することにより、教師なしの非絡み合い表現を学習する一般的な非絡み合いフレームワークである。
相互情報の最大化は、潜在回帰損失を伴う補助ネットワークとトレーニングを導入することによって達成される。
本稿では,Hilbert-Schmidt Independence Criterion (HSIC) を用いて,潜在表現と画像間の相互情報を近似する手法について検討する。
HSIC損失を直接最適化することは、追加の補助ネットワークの必要性を避ける。
我々は,各モデルにおけるゆがみのレベルを質的に比較し,HSIC-InfoGANのハイパーパラメータを調整するための戦略を提案し,医療応用におけるHSIC-InfoGANの可能性について議論する。
関連論文リスト
- HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。
本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
論文 参考訳（メタデータ） (2024-01-18T12:47:13Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and
Multispectral Data Fusion [54.668445421149364]
HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。
本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
論文 参考訳（メタデータ） (2023-10-11T07:30:37Z) - Hyperspectral Image Classification With Contrastive Graph Convolutional
Network [38.43072371303967]
スペクトル情報と空間関係の両方に含まれる監視信号を調べるために,比較学習を伴うグラフ畳み込みネットワーク(GCN)モデルを提案する。
4つの典型的なベンチマークデータセットの実験結果は、定性的および定量的両面において提案したConGCNの有効性を確証している。
論文 参考訳（メタデータ） (2022-05-11T12:06:37Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳（メタデータ） (2021-12-15T09:50:25Z) - Robust Self-Ensembling Network for Hyperspectral Image Classification [38.84831094095329]
この問題に対処するために,ロバストな自己認識ネットワーク(RSEN)を提案する。
rsenはベースネットワークとアンサンブルネットワークを含む2つのワークから成り立っている。
提案アルゴリズムは, 最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳（メタデータ） (2021-04-08T13:33:14Z) - CoDeGAN: Contrastive Disentanglement for Generative Adversarial Network [0.5437298646956507]
解釈可能な機械学習において重要な関心事であるディスタングルメントもまた、コンピュータビジョンコミュニティから大きな注目を集めている。
我々はtextttCoDeGAN を提案し、画像領域から特徴領域への切り離しに関する類似性制約を緩和する。
我々はCoDeGANに自己教師付き事前学習を統合して意味表現を学習し、教師なしの絡み合いを著しく促進する。
論文 参考訳（メタデータ） (2021-03-05T12:44:22Z) - HGAN: Hybrid Generative Adversarial Network [25.940501417539416]
本稿では,自己回帰モデルを用いてデータ密度推定を行うハイブリッド生成逆数ネットワーク(HGAN)を提案する。
GAN定式化における新しい深層構造は、単純なGANトレーニング手法に加えて、自己回帰モデル情報を逆向きに蒸留するために開発されている。
論文 参考訳（メタデータ） (2021-02-07T03:54:12Z) - Hyperspectral Image Classification -- Traditional to Deep Models: A
Survey for Future Prospects [0.6091702876917281]
ハイパースペクトルイメージング(HSI)は多くの現実の用途で広く利用されている。
近年,Deep Learning (DL) は強力な特徴抽出器として確立されている。
本調査では,HSICにおけるDLの体系的概要と,そのトピックの最先端戦略の比較を行った。
論文 参考訳（メタデータ） (2021-01-15T13:59:22Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z) - Graph Representation Learning via Graphical Mutual Information
Maximization [86.32278001019854]
本稿では,入力グラフとハイレベルな隠蔽表現との相関を測る新しい概念であるGMIを提案する。
我々は,グラフニューラルエンコーダの入力と出力の間でGMIを最大化することで訓練された教師なし学習モデルを開発する。
論文 参考訳（メタデータ） (2020-02-04T08:33:49Z)
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。