論文の概要: Disentangling Learning Representations with Density Estimation
- arxiv url: http://arxiv.org/abs/2302.04362v1
- Date: Wed, 8 Feb 2023 22:37:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-10 17:13:51.633132
- Title: Disentangling Learning Representations with Density Estimation
- Title(参考訳): 密度推定を用いた遠方学習表現
- Authors: Eric Yeats, Frank Liu, Hai Li
- Abstract要約: 本稿では, 遅延空間のフレキシブルな密度推定により, 信頼性の高い絡み合いを実現する手法を提案する。
GCAEは最先端のベースラインと比較して、非常に競争力が高く信頼性の高いアンタングルメントスコアを達成している。
- 参考スコア(独自算出の注目度): 9.244163477446799
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Disentangled learning representations have promising utility in many
applications, but they currently suffer from serious reliability issues. We
present Gaussian Channel Autoencoder (GCAE), a method which achieves reliable
disentanglement via flexible density estimation of the latent space. GCAE
avoids the curse of dimensionality of density estimation by disentangling
subsets of its latent space with the Dual Total Correlation (DTC) metric,
thereby representing its high-dimensional latent joint distribution as a
collection of many low-dimensional conditional distributions. In our
experiments, GCAE achieves highly competitive and reliable disentanglement
scores compared with state-of-the-art baselines.
- Abstract(参考訳): 乱れた学習表現は多くのアプリケーションで有望だが、現在深刻な信頼性の問題に苦しんでいる。
本稿では,潜伏空間のフレキシブルな密度推定により信頼性の高い絡み合いを実現するGaussian Channel Autoencoder (GCAE)を提案する。
gcaeは、その潜在空間の部分集合と双対全相関(dtc)計量を区別することで密度推定の次元の呪いを回避し、その高次元の潜在結合分布を多くの低次元条件分布の集合として表す。
我々の実験では、GCAEは最先端のベースラインと比較して非常に競争力が高く、信頼性の高いアンタングルメントスコアを達成している。
関連論文リスト
- Your copula is a classifier in disguise: classification-based copula density estimation [2.5261465733373965]
本稿では,コプラ密度推定を識別タスクとして再解釈する。
我々は、よく知られたコプラクラスと、我々の解釈に自然に生じる分類問題との同値性を導出する。
推定器が最大推定値に類似した理論的保証を達成することを示す。
論文 参考訳(メタデータ) (2024-11-05T11:25:34Z) - Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。
我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文 参考訳(メタデータ) (2023-10-30T21:27:53Z) - Density Ratio Estimation via Infinitesimal Classification [85.08255198145304]
そこで我々は, DRE-inftyを提案する。 DRE-inftyは, 密度比推定(DRE)を, より簡単なサブプロブレムに還元する手法である。
モンテカルロ法にインスパイアされ、中間ブリッジ分布の無限連続体を介して2つの分布の間を滑らかに補間する。
提案手法は,複雑な高次元データセット上での相互情報推定やエネルギーベースモデリングなどの下流タスクにおいて良好に動作することを示す。
論文 参考訳(メタデータ) (2021-11-22T06:26:29Z) - Density-Based Clustering with Kernel Diffusion [59.4179549482505]
単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。
局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
論文 参考訳(メタデータ) (2021-10-11T09:00:33Z) - Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。
この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。
同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文 参考訳(メタデータ) (2021-07-05T18:30:26Z) - Imitation with Neural Density Models [98.34503611309256]
本稿では,Imitation Occupancy Entropy Reinforcement Learning (RL) を報奨として,専門家の占有率の密度推定によるImitation Learning (IL) の新しい枠組みを提案する。
提案手法は,専門家の占有率と模倣者の占有率の逆Kulback-Leibler偏差を確実に低くする非逆モデル自由RLの目的を最大化する。
論文 参考訳(メタデータ) (2020-10-19T19:38:36Z) - Nonparametric Density Estimation from Markov Chains [68.8204255655161]
我々はマルコフ・チェインにインスパイアされた新しい非パラメトリック密度推定器を導入し、よく知られたケルネル密度推定器を一般化する。
我々の推定器は, 通常のものに対していくつかの利点を示し, 全密度アルゴリズムの基盤として容易に利用できる。
論文 参考訳(メタデータ) (2020-09-08T18:33:42Z) - Telescoping Density-Ratio Estimation [21.514983459970903]
我々は、テレスコープ密度比推定(TRE)という新しいフレームワークを導入する。
TREは高次元空間における高相似密度の比を推定できる。
実験により、TREは既存の単一比法よりも大幅に改善できることが示された。
論文 参考訳(メタデータ) (2020-06-22T12:55:06Z) - High-Dimensional Non-Parametric Density Estimation in Mixed Smooth
Sobolev Spaces [31.663702435594825]
密度推定は、機械学習、統計的推測、可視化において多くのタスクにおいて重要な役割を果たす。
高次元密度推定の主なボトルネックは計算コストの禁止と収束速度の低下である。
適応型双曲交叉密度推定器(Adaptive hyperbolic cross density estimator)と呼ばれる高次元非パラメトリック密度推定のための新しい推定器を提案する。
論文 参考訳(メタデータ) (2020-06-05T21:27:59Z)
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。