論文の概要: Latent Reconstruction-Aware Variational Autoencoder
- arxiv url: http://arxiv.org/abs/2302.02399v1
- Date: Sun, 5 Feb 2023 15:02:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-07 18:24:51.857065
- Title: Latent Reconstruction-Aware Variational Autoencoder
- Title(参考訳): 潜時再構成型変分オートエンコーダ
- Authors: Onur Boyar and Ichiro Takeuchi
- Abstract要約: 本研究では,変分オートエンコーダ(VAE)の低密度領域から発生する低品質物体の問題点について検討する。
我々は新しいVAEモデルLRA-VAE(Latent Reconstruction-Aware VAE)を提案する。
我々は,LRA-VAEが生成したオブジェクトの質を他の手法よりも向上できることを示す。
- 参考スコア(独自算出の注目度): 19.823416445301646
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Variational Autoencoders (VAEs) have become increasingly popular in recent
years due to their ability to generate new objects such as images and texts
from a given dataset. This ability has led to a wide range of applications.
While standard tasks often require sampling from high-density regions in the
latent space, there are also tasks that require sampling from low-density
regions, such as Morphing and Latent Space Bayesian Optimization (LS-BO). These
tasks are becoming increasingly important in fields such as de novo molecular
design, where the ability to generate diverse and high-quality chemical
compounds is essential. In this study, we investigate the issue of low-quality
objects generated from low-density regions in VAEs. To address this problem, we
propose a new VAE model, the Latent Reconstruction-Aware VAE (LRA-VAE). The
LRA-VAE model takes into account what we refer to as the Latent Reconstruction
Error (LRE) of the latent variables. We evaluate our proposal using Morphing
and LS-BO experiments, and show that LRA-VAE can improve the quality of
generated objects over the other approaches, making it a promising solution for
various generation tasks that involve sampling from low-density regions.
- Abstract(参考訳): 可変オートエンコーダ(VAE)は、あるデータセットから画像やテキストなどの新しいオブジェクトを生成する能力により、近年人気が高まっている。
この能力は幅広い応用につながった。
標準タスクは、しばしば潜在空間の高密度領域からのサンプリングを必要とするが、モルフィングやラテン宇宙ベイズ最適化(LS-BO)のような低密度領域からのサンプリングを必要とするタスクもある。
これらのタスクは、多種多様な高品質の化学物質を生産する能力が不可欠であるデノボ分子設計のような分野において、ますます重要になっている。
本研究では,vaesの低密度領域から発生する低品質物体について検討する。
この問題に対処するため、我々は新しいVAEモデル、Latent Reconstruction-Aware VAE (LRA-VAE)を提案する。
LRA-VAEモデルは、潜在変数の遅延再構成誤差(LRE)と呼ばれるものを考慮している。
我々は, モーフィングとls-bo実験を用いて提案手法を評価し, lra-vaeが生成する物体の品質を他の手法よりも向上できることを示す。
関連論文リスト
- Large Language Models to Enhance Bayesian Optimization [57.474613739645605]
本稿では,大規模言語モデル(LLM)の能力をベイズ最適化に組み込む新しいアプローチであるLLAMBOを提案する。
高いレベルでは、自然言語のBO問題を枠組み化し、LLMが歴史的評価に照らした有望な解を反復的に提案し、評価することを可能にする。
以上の結果から,LLAMBOはゼロショットウォームスタートに有効であり,サロゲートモデリングや候補サンプリングの促進,特に観察が不十分な場合の探索の初期段階において有効であることが示唆された。
論文 参考訳(メタデータ) (2024-02-06T11:44:06Z) - Accelerating material discovery with a threshold-driven hybrid
acquisition policy-based Bayesian optimization [4.021352247826289]
本稿では,Threshold-Driven UCB-EI Bayesian Optimization (TDUE-BO)法を提案する。
物質発見過程を最適化するために、上信頼境界(UCB)と期待改善関数(EI)の強みを動的に統合する。
RMSEのスコアと収束効率の観点から,EI法とCB法を併用したBO法よりも高い近似と最適化性能を示した。
論文 参考訳(メタデータ) (2023-11-16T06:02:48Z) - Learning Objective-Specific Active Learning Strategies with Attentive
Neural Processes [72.75421975804132]
学び アクティブラーニング(LAL)は、アクティブラーニング戦略自体を学ぶことを提案し、与えられた設定に適応できるようにする。
能動学習問題の対称性と独立性を利用した新しい分類法を提案する。
私たちのアプローチは、筋電図から学ぶことに基づいており、モデルに標準ではない目的に適応する能力を与えます。
論文 参考訳(メタデータ) (2023-09-11T14:16:37Z) - Model-based Causal Bayesian Optimization [74.78486244786083]
乗算重み付き因果ベイズ最適化のための最初のアルゴリズム(CBO-MW)を提案する。
グラフ関連の量に自然に依存するCBO-MWに対する後悔の限界を導出する。
我々の実験は、共有モビリティシステムにおいて、ユーザの需要パターンを学習するためにCBO-MWをどのように使用できるかの現実的なデモを含む。
論文 参考訳(メタデータ) (2023-07-31T13:02:36Z) - LBL: Logarithmic Barrier Loss Function for One-class Classification [15.08881623373229]
1クラス分類(OCC)は、対象のクラスデータのみで分類器を訓練することを目的としている。
OCCには多くの進歩があったが、深層学習に有効なOCC損失機能がない。
本稿ではLBLSigという新しい対数障壁関数に基づくOCC損失を提案する。
論文 参考訳(メタデータ) (2023-07-20T10:29:48Z) - BOtied: Multi-objective Bayesian optimization with tied multivariate
ranks [49.85896045032822]
非支配解と最高多変量階との自然な関係を示し、これは合同累積分布関数(CDF)の最外層線と一致する。
我々はCDFインジケータに基づくBOtiedと呼ばれる取得関数を提案する。
論文 参考訳(メタデータ) (2023-06-01T04:50:06Z) - A General Recipe for Likelihood-free Bayesian Optimization [115.82591413062546]
我々は,BOをより広範なモデルやユーティリティに拡張する可能性のないBO(LFBO)を提案する。
LFBOは、確率的代理モデルと個別に推論を行うことなく、取得関数を直接モデル化する。
LFBOにおける取得関数の計算は、重み付けされた分類問題を最適化することで削減できることを示す。
論文 参考訳(メタデータ) (2022-06-27T03:55:27Z) - Sparse Bayesian Optimization [16.867375370457438]
よりスパースで解釈可能な構成を発見できる正規化ベースのアプローチをいくつか提示する。
そこで本研究では,同相連続に基づく新たな微分緩和法を提案し,空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間的空間
スパシティのために効率的に最適化できることが示されています。
論文 参考訳(メタデータ) (2022-03-03T18:25:33Z) - Momentum Contrastive Autoencoder: Using Contrastive Learning for Latent
Space Distribution Matching in WAE [51.09507030387935]
Wasserstein autoencoder (WAE) は、2つの分布が一致することは、このAEの潜在空間が予め指定された事前分布と一致するという制約の下で、単純なオートエンコーダ(AE)損失を最小限にすることと同値であることを示している。
本稿では,この問題を解決する手段として,自己指導型表現学習に有効であることを示すコントラスト学習フレームワークを提案する。
WAEの損失を最適化するために、対照的な学習フレームワークを使用することで、WAEの一般的なアルゴリズムと比較して、より高速に収束し、より安定した最適化が達成できることを示す。
論文 参考訳(メタデータ) (2021-10-19T22:55:47Z) - BORE: Bayesian Optimization by Density-Ratio Estimation [34.22533785573784]
我々は, クラス確率推定と密度比推定の関連に基づいて, 期待改良 (ei) 関数を二分分類問題として位置づけた。
この改革は、特に汎用性とスケーラビリティの観点から、多くの利点をもたらします。
論文 参考訳(メタデータ) (2021-02-17T20:04:11Z)
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。