Fugu-MT 論文翻訳(概要): OF-AE: Oblique Forest AutoEncoders

論文の概要: OF-AE: Oblique Forest AutoEncoders

arxiv url: http://arxiv.org/abs/2301.00880v1
Date: Mon, 2 Jan 2023 21:23:37 GMT
ステータス: 処理完了
システム内更新日: 2023-01-04 14:47:30.089192
Title: OF-AE: Oblique Forest AutoEncoders
Title（参考訳）: OF-AE:斜め森林オートエンコーダ
Authors: Cristian Daniel Alecsa
Abstract要約: 自動符号化の課題に対処できる斜め木からなる教師なしアンサンブル計算法を提案する。我々は,特徴値制約からなる線形不等式の集合のスパース解を用いて,オートエンコーダ法を考案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the present work we propose an unsupervised ensemble method consisting of oblique trees that can address the task of auto-encoding, namely Oblique Forest AutoEncoders (briefly OF-AE). Our method is a natural extension of the eForest encoder introduced in [1]. More precisely, by employing oblique splits consisting in multivariate linear combination of features instead of the axis-parallel ones, we will devise an auto-encoder method through the computation of a sparse solution of a set of linear inequalities consisting of feature values constraints. The code for reproducing our results is available at https://github.com/CDAlecsa/Oblique-Forest-AutoEncoders.
Abstract（参考訳）: 本研究では,斜め森林の自動エンコーダ(略称OF-AE)という自動エンコード作業に対処できる斜め木からなるアンサンブル手法を提案する。この方法は[1]で導入されたeForestエンコーダの自然な拡張である。より正確には、軸並列型ではなく、特徴の多変量線形結合からなる斜め分割を用いることにより、特徴値制約からなる線形不等式の集合のスパース解を計算し、自動エンコーダ法を考案する。結果の再現コードはhttps://github.com/CDAlecsa/Oblique-Forest-AutoEncoders.comで公開されている。

関連論文リスト

Wasserstein Auto-Encoders of Merge Trees (and Persistence Diagrams) [5.384630221560809]
本稿では、マージツリーの自動符号化(MT-WAE)のための計算フレームワークを提案する。ベクトル化されたデータを扱う従来のオートエンコーダとは対照的に,ネットワークの各層における関連計量空間上のマージ木を明示的に操作する。公開アンサンブルの実験では,MT-WAE計算を平均数分のオーダーで行うことで,アルゴリズムの効率を実証した。
論文参考訳（メタデータ） (2023-07-05T09:46:52Z)
Efficient Nearest Neighbor Search for Cross-Encoder Models using Matrix Factorization [60.91600465922932]
本稿では,クロスエンコーダのみに頼って,二重エンコーダによる検索を回避する手法を提案する。我々のアプローチは、現在の広く使われている方法よりも優れたテスト時間リコール-vs計算コストトレードオフを提供する。
論文参考訳（メタデータ） (2022-10-23T00:32:04Z)
String-based Molecule Generation via Multi-decoder VAE [56.465033997245776]
可変オートエンコーダ(VAE)による文字列型分子生成の問題点について検討する。本稿では,そのタスクに対するVAEの性能を改善するための,シンプルで効果的なアイデアを提案する。実験では,提案するVAEモデルを用いて,領域外分布からサンプルを生成する。
論文参考訳（メタデータ） (2022-08-23T03:56:30Z)
Hyperdecoders: Instance-specific decoders for multi-task NLP [9.244884318445413]
NLPにおけるマルチタスクのための入力条件付きハイパーネットワークについて検討する。我々は,エンコーダの出力に条件付きハイパーネットワークを用いて,デコーダのパラメータ効率適応を生成する。
論文参考訳（メタデータ） (2022-03-15T22:39:53Z)
Implicit Greedy Rank Learning in Autoencoders via Overparameterized Linear Networks [7.412225511828064]
勾配降下で訓練された深い線形ネットワークは、低階解を生成する。オートエンコーダボトルネックにおいて,線形サブネットワークによって誘導される低ランク遅延符号の欲求学習を示す。
論文参考訳（メタデータ） (2021-07-02T23:17:50Z)
Neural Distributed Source Coding [59.630059301226474]
相関構造に依存せず,高次元までスケール可能な損失DSCのためのフレームワークを提案する。提案手法は,複数のデータセット上で評価し,複雑な相関関係と最先端PSNRを扱えることを示す。
論文参考訳（メタデータ） (2021-06-05T04:50:43Z)
Full Encoder: Make Autoencoders Learn Like PCA [0.0]
Fullは、非線形ドメインにおけるPCA対応として、新しい統一オートエンコーダフレームワークである。完全で獲得された潜在変数は、ネットワークの初期状態に関係なく常に同じ表現を学習するため、安定かつ堅牢である。 Fullは非線形システムの自由度を決定するために使用することができ、データ圧縮や異常検出に有用である。
論文参考訳（メタデータ） (2021-03-25T18:57:30Z)
Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文参考訳（メタデータ） (2020-12-07T14:16:14Z)
Learning Autoencoders with Relational Regularization [89.53065887608088]
データ分散のオートエンコーダを学習するための新しいフレームワークを提案する。エンフレレーショナル正規化によるモデルと対象分布の差を最小限にする我々はこのフレームワークを2つのスケーラブルアルゴリズムで実装し、確率的および決定論的オートエンコーダの両方に適用する。
論文参考訳（メタデータ） (2020-02-07T17:27:30Z)
Pruning Neural Belief Propagation Decoders [77.237958592189]
本稿では,機械学習を用いたBPデコードに対して,過剰完全パリティチェック行列を調整する手法を提案する。我々は,デコーダの複雑さを低減しつつ,0.27dB,1.5dBのML性能を実現する。
論文参考訳（メタデータ） (2020-01-21T12:05:46Z)

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。