Fugu-MT 論文翻訳(概要): Learning Differential Invariants of Planar Curves

論文の概要: Learning Differential Invariants of Planar Curves

arxiv url: http://arxiv.org/abs/2303.03458v1
Date: Mon, 6 Mar 2023 19:30:43 GMT
ステータス: 処理完了
システム内更新日: 2023-03-08 17:31:22.713699
Title: Learning Differential Invariants of Planar Curves
Title（参考訳）: 平面曲線の学習微分不変量
Authors: Roy Velich and Ron Kimmel
Abstract要約: 平面曲線の微分不変量の数値近似の学習パラダイムを提案する。深層ニューラルネットワーク(DNN)の普遍近似特性を用いて幾何学的測度を推定する。
参考スコア（独自算出の注目度）: 12.699486382844393
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a learning paradigm for the numerical approximation of differential invariants of planar curves. Deep neural-networks' (DNNs) universal approximation properties are utilized to estimate geometric measures. The proposed framework is shown to be a preferable alternative to axiomatic constructions. Specifically, we show that DNNs can learn to overcome instabilities and sampling artifacts and produce consistent signatures for curves subject to a given group of transformations in the plane. We compare the proposed schemes to alternative state-of-the-art axiomatic constructions of differential invariants. We evaluate our models qualitatively and quantitatively and propose a benchmark dataset to evaluate approximation models of differential invariants of planar curves.
Abstract（参考訳）: 平面曲線の微分不変量の数値近似のための学習パラダイムを提案する。深層ニューラルネットワーク(DNN)の普遍近似特性を用いて幾何学的測度を推定する。提案するフレームワークは, 公理的構成の代替として好適であることが示されている。具体的には、DNNが不安定性を克服し、アーティファクトをサンプリングし、平面上の所定の変換群に従う曲線に対して一貫したシグネチャを生成することができることを示す。提案したスキームを微分不変量の別の状態の公理構成と比較する。モデルは定性的かつ定量的に評価し,平面曲線の微分不変量の近似モデルを評価するベンチマークデータセットを提案する。

関連論文リスト

Relative Representations: Topological and Geometric Perspectives [53.88896255693922]
相対表現はゼロショットモデルの縫合に対する確立されたアプローチである。相対変換において正規化手順を導入し、非等方的再スケーリングや置換に不変となる。第二に、クラス内のクラスタリングを促進するトポロジカル正規化損失である、微調整された相対表現におけるトポロジカルデシフィケーションの展開を提案する。
論文参考訳（メタデータ） (2024-09-17T08:09:22Z)
Nonparametric Automatic Differentiation Variational Inference with Spline Approximation [7.5620760132717795]
複雑な構造を持つ分布に対するフレキシブルな後続近似を可能にする非パラメトリック近似法を開発した。広く使われている非パラメトリック推論手法と比較して,提案手法は実装が容易であり,様々なデータ構造に適応する。実験では, 複雑な後続分布の近似における提案手法の有効性を実証し, 不完全データを用いた生成モデルの性能向上を図った。
論文参考訳（メタデータ） (2024-03-10T20:22:06Z)
Natural Evolution Strategies as a Black Box Estimator for Stochastic Variational Inference [0.0]
VAEはバイアスのない低分散推定を可能にし、作成可能なモデルのタイプを制限する。自然進化戦略に基づく別の勾配推定器を提案する。この推定器は、使用するディストリビューションの種類を仮定せず、そうでなければVAEフレームワークでは不可能なモデルを作成することができる。
論文参考訳（メタデータ） (2023-08-15T21:43:11Z)
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)
Recursive Monte Carlo and Variational Inference with Auxiliary Variables [64.25762042361839]
再帰的補助変数推論(RAVI)はフレキシブルな提案を利用するための新しいフレームワークである。 RAVIは、表現力のある表現力のある家族を推論するためのいくつかの既存の手法を一般化し、統一する。 RAVIの設計枠組みと定理を,SalimansらによるMarkov Chain Variational Inferenceを用いて解析し,改良することにより示す。
論文参考訳（メタデータ） (2022-03-05T23:52:40Z)
Deep Signatures -- Learning Invariants of Planar Curves [12.699486382844393]
平面曲線の微分不変量の数値近似のための学習パラダイムを提案する。深層ニューラルネットワーク(DNN)の普遍近似特性を用いて幾何学的測度を推定する。
論文参考訳（メタデータ） (2022-02-11T22:34:15Z)
Geometric variational inference [0.0]
変分推論 (VI) またはマルコフ・チェイン・モンテカルロ (MCMC) 技術は点推定を超えて用いられる。本研究は,リーマン幾何学とフィッシャー情報量に基づく幾何学的変分推論(geoVI)を提案する。変換によって誘導される座標系で表される分布は、特に単純であり、正確な変分近似を可能にする。
論文参考訳（メタデータ） (2021-05-21T17:18:50Z)
A Differential Geometry Perspective on Orthogonal Recurrent Models [56.09491978954866]
我々は微分幾何学からのツールと洞察を用いて、直交rnnの新しい視点を提供する。直交RNNは、発散自由ベクトル場の空間における最適化と見なすことができる。この観測に動機づけられて、ベクトル場全体の空間にまたがる新しいリカレントモデルの研究を行う。
論文参考訳（メタデータ） (2021-02-18T19:39:22Z)
Probabilistic Circuits for Variational Inference in Discrete Graphical Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。 Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文参考訳（メタデータ） (2020-10-22T05:04:38Z)
Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。