論文の概要: Multi-objective Deep Data Generation with Correlated Property Control

• arxiv url: http://arxiv.org/abs/2210.01796v1
• Date: Sat, 1 Oct 2022 00:35:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-06 12:58:45.580366
• Title: Multi-objective Deep Data Generation with Correlated Property Control
• Title（参考訳）: 相関特性制御による多目的深部データ生成
• Authors: Shiyu Wang, Xiaojie Guo, Xuanyang Lin, Bo Pan, Yuanqi Du, Yinkai Wang, Yanfang Ye, Ashley Ann Petersen, Austin Leitgeb, Saleh AlKhalifa, Kevin Minbiole, Bill Wuest, Amarda Shehu, Liang Zhao
• Abstract要約: 本稿では,非絡み付き潜在ベクトルによる意味論と特性の相関を復元する,新しい深層生成フレームワークを提案する。 我々の生成モデルは,多目的最適化フレームワークの下で,特性の相関と矛盾を扱いながら,興味のある特性を保存します。
• 参考スコア（独自算出の注目度）: 23.99970130388449
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing deep generative models has been an emerging field due to the ability to model and generate complex data for various purposes, such as image synthesis and molecular design. However, the advancement of deep generative models is limited by challenges to generate objects that possess multiple desired properties: 1) the existence of complex correlation among real-world properties is common but hard to identify; 2) controlling individual property enforces an implicit partially control of its correlated properties, which is difficult to model; 3) controlling multiple properties under various manners simultaneously is hard and under-explored. We address these challenges by proposing a novel deep generative framework that recovers semantics and the correlation of properties through disentangled latent vectors. The correlation is handled via an explainable mask pooling layer, and properties are precisely retained by generated objects via the mutual dependence between latent vectors and properties. Our generative model preserves properties of interest while handling correlation and conflicts of properties under a multi-objective optimization framework. The experiments demonstrate our model's superior performance in generating data with desired properties.
• Abstract（参考訳）: 深層生成モデルの開発は、画像合成や分子設計など、様々な目的で複雑なデータをモデル化し、生成する能力によって、新たな分野となった。 しかし、深層生成モデルの進歩は、複数の望ましい性質を持つオブジェクトを生成するための課題によって制限される。 1) 実世界の特性間の複素相関の存在は一般的であるが、識別することは困難である。 2) 個々のプロパティの制御は,その関連付けられたプロパティを暗黙的に部分的に制御することを強制する。 3)様々な方法で同時に複数の特性を制御することは困難で未検討である。 これらの課題に対処するために、非絡み付き潜在ベクトルを通して意味論と特性の相関を復元する、新しい深層生成フレームワークを提案する。 相関は説明可能なマスクプーリング層を介して処理され、特性は潜在ベクトルと特性の相互依存を介して生成オブジェクトによって正確に保持される。 我々の生成モデルは,多目的最適化フレームワークの下で,特性の相関と矛盾を扱いながら,興味のある特性を保存する。 実験は,提案モデルが望ましい特性を持つデータを生成する際の優れた性能を示す。

関連論文リスト

• Deep Causal Generative Models with Property Control [11.604321459670315]
  我々は相関対応因果変分自動エンコーダ(C2VAE)と呼ばれる新しい深層生成フレームワークを提案する。 C2VAEは、非絡み付き潜在ベクトルを用いて特性間の相関関係と因果関係を同時に回復する。
  論文  参考訳（メタデータ） (2024-05-25T13:07:27Z)
• Controllable Data Generation Via Iterative Data-Property Mutual Mappings [13.282793266390316]
  本稿では,VAEベースのデータジェネレータを特性制御性で拡張し,乱れを確実にするフレームワークを提案する。 提案フレームワークは, 特性誤差, ゆがみ, 生成品質, トレーニング時間に関する性能評価を行うために, VAEベースの4つの制御可能ジェネレータ上に実装されている。
  論文  参考訳（メタデータ） (2023-10-11T17:34:56Z)
• Heterogeneous Entity Matching with Complex Attribute Associations using BERT and Neural Networks [0.7252027234425334]
  複雑な属性関係をキャプチャするエンティティマッチングモデル(EMM-CCAR)を導入する。 具体的には、マッチングタスクをシーケンスマッチング問題に変換して、さまざまなデータフォーマットの影響を軽減する。 DER-SSMとDittoのアプローチと比較すると,F1スコアの約4%,F1スコアの約1%の改善が得られた。
  論文  参考訳（メタデータ） (2023-09-20T03:49:57Z)
• A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
  深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。 これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
  論文  参考訳（メタデータ） (2022-10-19T19:04:45Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)
• Controllable Dialogue Generation with Disentangled Multi-grained Style Specification and Attribute Consistency Reward [47.96949534259019]
  マルチ属性制約下で応答生成を行うための制御可能な対話生成モデルを提案する。 一般的に使用される制御属性を,応答生成に対する影響の粒度が異なる大域的および局所的な属性に分類する。 我々のモデルは、応答品質、コンテンツ多様性、制御性の観点から、競争ベースラインを大幅に上回ることができる。
  論文  参考訳（メタデータ） (2021-09-14T14:29:38Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• Neural Production Systems [90.75211413357577]
  視覚環境は、異なるオブジェクトまたはエンティティから構成される。 イメージをエンティティに分割するために、ディープラーニング研究者は構造的誘導バイアスを提案した。 私たちは認知科学からインスピレーションを得て、一連のルールテンプレートからなる古典的なアプローチを復活させます。 このアーキテクチャは柔軟でダイナミックな制御フローを実現し、エンティティ固有およびルールベースの情報を分解するのに役立つ。
  論文  参考訳（メタデータ） (2021-03-02T18:53:20Z)
• Polymer Informatics with Multi-Task Learning [0.06524460254566902]
  固有相関を効果的に活用するマルチタスク学習手法の有用性を示す。 13,000ドルを超えるポリマーの36種類の異なる性質に関するデータは、統合され、ディープラーニングマルチタスクアーキテクチャに供給される。 マルチタスクのアプローチは正確で、効率的で、スケーラブルで、同じまたは異なるプロパティ上のより多くのデータが利用可能になると、学習を転送できる。
  論文  参考訳（メタデータ） (2020-10-28T18:28:12Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。