論文の概要: Parametrizing Product Shape Manifolds by Composite Networks
- arxiv url: http://arxiv.org/abs/2302.14665v1
- Date: Tue, 28 Feb 2023 15:31:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-01 15:58:38.933676
- Title: Parametrizing Product Shape Manifolds by Composite Networks
- Title(参考訳): 複合ネットワークによる製品形状のパラメトリゼーション
- Authors: Josua Sassen, Klaus Hildebrandt, Martin Rumpf, Benedikt Wirth
- Abstract要約: 形状空間に対する効率的なニューラルネットワーク近似を特別な積構造で学習することは可能であることを示す。
提案アーキテクチャは,低次元因子の近似とその後の組み合わせを別々に学習することで,この構造を利用する。
- 参考スコア(独自算出の注目度): 5.772786223242281
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Parametrizations of data manifolds in shape spaces can be computed using the
rich toolbox of Riemannian geometry. This, however, often comes with high
computational costs, which raises the question if one can learn an efficient
neural network approximation. We show that this is indeed possible for shape
spaces with a special product structure, namely those smoothly approximable by
a direct sum of low-dimensional manifolds. Our proposed architecture leverages
this structure by separately learning approximations for the low-dimensional
factors and a subsequent combination. After developing the approach as a
general framework, we apply it to a shape space of triangular surfaces. Here,
typical examples of data manifolds are given through datasets of articulated
models and can be factorized, for example, by a Sparse Principal Geodesic
Analysis (SPGA). We demonstrate the effectiveness of our proposed approach with
experiments on synthetic data as well as manifolds extracted from data via
SPGA.
- Abstract(参考訳): 形状空間におけるデータ多様体のパラメトリゼーションはリーマン幾何学の豊富なツールボックスを用いて計算できる。
しかし、これはしばしば高い計算コストを伴うため、効率的なニューラルネットワーク近似を学べるかどうかという疑問が提起される。
これは、特別な積構造を持つ形状空間、すなわち低次元多様体の直和によって滑らかに近似できる空間に対して実際に可能であることを示す。
提案アーキテクチャは,低次元因子の近似とその後の組み合わせを別々に学習することで,この構造を利用する。
一般的な枠組みとしてこのアプローチを開発した後、三角面の形状空間に適用する。
ここでは、データ多様体の典型的な例は、調音されたモデルのデータセットを通して与えられ、例えばスパース主測地解析(SPGA)によって分解できる。
本研究では,SPGAを用いた合成データおよびデータから抽出した多様体に関する実験により,提案手法の有効性を示す。
関連論文リスト
- Spectral Meets Spatial: Harmonising 3D Shape Matching and Interpolation [54.04594896330824]
本稿では,3次元形状の対応と形状の両面を統一的に予測する枠組みを提案する。
我々は、スペクトル領域と空間領域の両方の形状を地図化するために、奥行き関数写像フレームワークと古典的な曲面変形モデルを組み合わせる。
論文 参考訳(メタデータ) (2024-02-29T07:26:23Z) - Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳(メタデータ) (2023-11-29T12:48:33Z) - The Fisher-Rao geometry of CES distributions [50.50897590847961]
Fisher-Rao情報幾何学は、ツールを微分幾何学から活用することができる。
楕円分布の枠組みにおけるこれらの幾何学的ツールの実用的利用について述べる。
論文 参考訳(メタデータ) (2023-10-02T09:23:32Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - Towards a mathematical understanding of learning from few examples with
nonlinear feature maps [68.8204255655161]
トレーニングセットがわずか数個のデータポイントから構成されるデータ分類の問題を考える。
我々は、AIモデルの特徴空間の幾何学、基礎となるデータ分布の構造、モデルの一般化能力との間の重要な関係を明らかにする。
論文 参考訳(メタデータ) (2022-11-07T14:52:58Z) - Study of Manifold Geometry using Multiscale Non-Negative Kernel Graphs [32.40622753355266]
データの幾何学的構造を研究するための枠組みを提案する。
我々は最近導入された非負のカーネル回帰グラフを用いて、点密度、固有次元、およびデータ多様体(曲率)の線型性を推定する。
論文 参考訳(メタデータ) (2022-10-31T17:01:17Z) - Spherical Rotation Dimension Reduction with Geometric Loss Functions [0.0]
そのようなデータセットの第一の例は細胞周期の測定の集まりであり、そこではプロセスの本質的に循環的な性質を円や球として表すことができる。
幾何学的情報を組み込んだ非線形次元減少法である球状回転成分分析(SRCA)を提案し,より近似的な低次元多様体を提案する。
論文 参考訳(メタデータ) (2022-04-23T02:03:55Z) - Elastic shape analysis of surfaces with second-order Sobolev metrics: a
comprehensive numerical framework [11.523323270411959]
本稿では3次元表面形状解析のための数値的手法を提案する。
本研究では、3次元メッシュとして表されるパラメータ化面と非パラメータ化面の間の測地線と測地線距離の計算に対処する。
論文 参考訳(メタデータ) (2022-04-08T18:19:05Z) - Inferring Manifolds From Noisy Data Using Gaussian Processes [15.54399517426726]
ほとんどの既存の多様体学習アルゴリズムは、元のデータを低次元座標で置き換える。
本稿では,これらの問題に対処するための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-10-14T15:50:38Z) - Hermitian Symmetric Spaces for Graph Embeddings [0.0]
C 上の対称行列空間におけるグラフの連続表現を学ぶ。
これらの空間は双曲部分空間とユークリッド部分空間を同時に認めるリッチな幾何学を提供する。
提案するモデルは, apriori のグラフ特徴を見積もることなく, まったく異なる配置に自動的に適応することができる。
論文 参考訳(メタデータ) (2021-05-11T18:14:52Z) - Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action
Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。
本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。
提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文 参考訳(メタデータ) (2020-07-30T18:23:18Z)
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。