論文の概要: DCI-ES: An Extended Disentanglement Framework with Connections to
Identifiability
- arxiv url: http://arxiv.org/abs/2210.00364v1
- Date: Sat, 1 Oct 2022 20:43:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 13:05:07.545342
- Title: DCI-ES: An Extended Disentanglement Framework with Connections to
Identifiability
- Title(参考訳): DCI-ES: Identifiabilityと接続可能な拡張型アンタングルメントフレームワーク
- Authors: Cian Eastwood, Andrei Liviu Nicolicioiu, Julius von K\"ugelgen, Armin
Keki\'c, Frederik Tr\"auble, Andrea Dittadi, Bernhard Sch\"olkopf
- Abstract要約: 表現学習において、共通のアプローチは、変動の根底にある要因を乱す表現を求めることである。
イーストウッド・アンド・ウィリアムズは、このような非絡み合い表現の質を定量化するための3つの指標を提案した:非絡み合い(D)、完全性(C)、情報性(I)。
- 参考スコア(独自算出の注目度): 11.991503042997207
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In representation learning, a common approach is to seek representations
which disentangle the underlying factors of variation. Eastwood & Williams
(2018) proposed three metrics for quantifying the quality of such disentangled
representations: disentanglement (D), completeness (C) and informativeness (I).
In this work, we first connect this DCI framework to two common notions of
linear and nonlinear identifiability, thus establishing a formal link between
disentanglement and the closely-related field of independent component
analysis. We then propose an extended DCI-ES framework with two new measures of
representation quality - explicitness (E) and size (S) - and point out how D
and C can be computed for black-box predictors. Our main idea is that the
functional capacity required to use a representation is an important but
thus-far neglected aspect of representation quality, which we quantify using
explicitness or ease-of-use (E). We illustrate the relevance of our extensions
on the MPI3D and Cars3D datasets.
- Abstract(参考訳): 表現学習において、共通のアプローチは、変動の根底にある要因を乱す表現を求めることである。
eastwood & williams (2018) は、これらの不等角表現の品質を定量化するための3つの指標を提案した: 不等角性(d)、完全性(c)、情報性(i)である。
本研究では、まずこのDCIフレームワークを線形および非線形識別可能性という2つの共通概念に結合し、非絡み合いと独立成分分析の密接に関連する分野の形式的リンクを確立する。
次に、表現品質の2つの新しい尺度である明示性(E)とサイズ(S)を備えた拡張DCI-ESフレームワークを提案し、ブラックボックス予測器に対してDとCをどのように計算できるかを指摘する。
私たちの考えでは、表現の使用に必要な機能能力は、表現の質の重要だが無視された側面であり、明示性や使いやすさ(E)を用いて定量化します。
MPI3DおよびCars3Dデータセットにおける拡張の関連について説明する。
関連論文リスト
- A Novel Energy based Model Mechanism for Multi-modal Aspect-Based
Sentiment Analysis [85.77557381023617]
マルチモーダル感情分析のための新しいフレームワークDQPSAを提案する。
PDQモジュールは、プロンプトをビジュアルクエリと言語クエリの両方として使用し、プロンプト対応の視覚情報を抽出する。
EPEモジュールはエネルギーベースモデルの観点から解析対象の境界ペアリングをモデル化する。
論文 参考訳(メタデータ) (2023-12-13T12:00:46Z) - Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual
Recognition [57.08108545219043]
サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。
既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。
本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
論文 参考訳(メタデータ) (2023-05-12T00:13:17Z) - Attitudes and Latent Class Choice Models using Machine learning [0.0]
LCCM (Latent Class Choice Models) の仕様において, 位置インジケータを効率的に組み込む手法を提案する。
この定式化は、位置指標と決定選択との関係を探索する能力において構造方程式を克服する。
我々は,デンマークのコペンハーゲンから,カーシェアリング(Car-Sharing, CS)サービスサブスクリプションの選択を推定するためのフレームワークをテストした。
論文 参考訳(メタデータ) (2023-02-20T10:03:01Z) - Exploring the Trade-off between Plausibility, Change Intensity and
Adversarial Power in Counterfactual Explanations using Multi-objective
Optimization [73.89239820192894]
自動対物生成は、生成した対物インスタンスのいくつかの側面を考慮すべきである。
本稿では, 対実例生成のための新しい枠組みを提案する。
論文 参考訳(メタデータ) (2022-05-20T15:02:53Z) - GMC -- Geometric Multimodal Contrastive Representation Learning [26.437843775786856]
本稿では,2つの主成分からなる表現学習手法を提案する。
我々は,GMC表現が意味的にリッチであり,最先端の性能を実現することを実験的に実証した。
論文 参考訳(メタデータ) (2022-02-07T18:26:32Z) - Towards Robust and Adaptive Motion Forecasting: A Causal Representation
Perspective [72.55093886515824]
本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。
我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。
合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
論文 参考訳(メタデータ) (2021-11-29T18:59:09Z) - Desiderata for Representation Learning: A Causal Perspective [104.3711759578494]
我々は表現学習の因果的視点を採り、非純粋性と効率性(教師なし表現学習)と非教師なし表現学習(教師なし表現学習)を定式化する。
これは、関心のデシダータを満たす程度を計算可能なメトリクスで評価し、単一の観測データセットから不純物や不整合表現を学習する。
論文 参考訳(メタデータ) (2021-09-08T17:33:54Z) - Data-Driven Learning of 3-Point Correlation Functions as Microstructure
Representations [8.978973486638253]
様々なミクロ構造が3点相関の簡潔な部分集合によって特徴づけられることを示す。
提案した表現は, 有効媒質理論に基づく材料特性の計算に利用することができる。
論文 参考訳(メタデータ) (2021-09-06T06:15:57Z) - Learning Domain Invariant Representations for Generalizable Person
Re-Identification [71.35292121563491]
ReID(Generalizable person Re-Identification)は、最近のコンピュータビジョンコミュニティで注目を集めている。
DIR-ReID(Domain Invariant Representations for Generalizable Person Re-Identification)という新しい一般化フレームワークを提案する。
論文 参考訳(メタデータ) (2021-03-29T18:59:48Z) - Evaluating Disentanglement of Structured Latent Representations [3.756550107432323]
我々は,構造化潜在表現の階層レベルで動作する最初の多層異方性メトリクスを設計する。
我々の測定基準は、潜在スロット間のオブジェクト分離と内部スロットの絡み合いの両方を共通の数学的枠組みに統一する。
論文 参考訳(メタデータ) (2021-01-11T17:24:01Z) - DisenE: Disentangling Knowledge Graph Embeddings [33.169388832519]
DisenEは、非絡み合いの知識グラフの埋め込みを学習するためのエンドツーエンドフレームワークである。
我々は,モデルが与えられた関係に応じて,エンティティ埋め込みの関連コンポーネントに明示的に焦点を絞ることができるように,注意に基づく機構を導入する。
論文 参考訳(メタデータ) (2020-10-28T03:45:19Z)
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。