論文の概要: Manifold Learning by Mixture Models of VAEs for Inverse Problems

• arxiv url: http://arxiv.org/abs/2303.15244v1
• Date: Mon, 27 Mar 2023 14:29:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 14:54:36.466901
• Title: Manifold Learning by Mixture Models of VAEs for Inverse Problems
• Title（参考訳）: 逆問題に対するvaes混合モデルによる多様体学習
• Authors: Giovanni S. Alberti, Johannes Hertrich, Matteo Santacesaria, Silvia Sciutto
• Abstract要約: 任意の位相の多様体を表現するために,変分オートエンコーダの混合モデルを学習する。 学習多様体に制限されたデータ忠実度項を最小化することにより、逆問題の解法に使用する。 本手法を低次元トイの例に応用し, 脱臭・電気インピーダンストモグラフィーにも応用した。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Representing a manifold of very high-dimensional data with generative models has been shown to be computationally efficient in practice. However, this requires that the data manifold admits a global parameterization. In order to represent manifolds of arbitrary topology, we propose to learn a mixture model of variational autoencoders. Here, every encoder-decoder pair represents one chart of a manifold. We propose a loss function for maximum likelihood estimation of the model weights and choose an architecture that provides us the analytical expression of the charts and of their inverses. Once the manifold is learned, we use it for solving inverse problems by minimizing a data fidelity term restricted to the learned manifold. To solve the arising minimization problem we propose a Riemannian gradient descent algorithm on the learned manifold. We demonstrate the performance of our method for low-dimensional toy examples as well as for deblurring and electrical impedance tomography on certain image manifolds.
• Abstract（参考訳）: 生成モデルを用いた超高次元データの多様体の表現は、実際には計算効率が高いことが示されている。 しかし、これはデータ多様体が大域パラメータ化を持つ必要がある。 任意の位相の多様体を表現するために,変分オートエンコーダの混合モデルを学習することを提案する。 ここで、すべてのエンコーダ-デコーダ対は多様体の1つのチャートを表す。 本研究では,モデル重みの最大推定のための損失関数を提案し,チャートと逆数の解析表現を提供するアーキテクチャを選択する。 多様体が学習されると、学習多様体に制限されたデータ忠実度項を最小化することで逆問題の解法に使用する。 生成する最小化問題を解決するために,学習多様体上のリーマン勾配降下アルゴリズムを提案する。 本手法は,画像多様体上のデブラリングおよび電気インピーダンストモグラフィと同様に,低次元トイ例に対する性能を示す。

関連論文リスト

• Computing distances and means on manifolds with a metric-constrained Eikonal approach [4.266376725904727]
  距離関数の連続かつ微分可能な表現を得るために,距離制約付きアイコンソルバを導入する。 これらの表現の微分可能な性質は、多様体上の大域的長さ最小化パスの直接計算を可能にする。
  論文  参考訳（メタデータ） (2024-04-12T18:26:32Z)
• 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)
• 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)
• Convolutional Filtering on Sampled Manifolds [122.06927400759021]
  サンプル多様体上の畳み込みフィルタリングは連続多様体フィルタリングに収束することを示す。 本研究は,ナビゲーション制御の問題点を実証的に明らかにした。
  論文  参考訳（メタデータ） (2022-11-20T19:09:50Z)
• Semi-Supervised Manifold Learning with Complexity Decoupled Chart Autoencoders [45.29194877564103]
  本研究は、クラスラベルなどの半教師付き情報を付加できる非対称符号化復号プロセスを備えたチャートオートエンコーダを導入する。 このようなネットワークの近似力を議論し、周囲空間の次元ではなく、本質的にデータ多様体の内在次元に依存する境界を導出する。
  論文  参考訳（メタデータ） (2022-08-22T19:58:03Z)
• Improving Diffusion Models for Inverse Problems using Manifold Constraints [55.91148172752894]
  我々は,現在の解法がデータ多様体からサンプルパスを逸脱し,エラーが蓄積することを示す。 この問題に対処するため、多様体の制約に着想を得た追加の補正項を提案する。 本手法は理論上も経験上も従来の方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-06-02T09:06:10Z)
• Inferring Manifolds From Noisy Data Using Gaussian Processes [17.166283428199634]
  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)
• Hard-label Manifolds: Unexpected Advantages of Query Efficiency for Finding On-manifold Adversarial Examples [67.23103682776049]
  画像分類モデルに対する最近のゼロオーダーのハードラベル攻撃は、ファーストオーダーのグラデーションレベルの代替品に匹敵する性能を示している。 最近、グラデーションレベルの設定では、通常の敵対的な例がデータ多様体から離れ、オンマニホールドの例が実際には一般化エラーであることが示されている。 雑音の多い多様体距離オラクルに基づく情報理論論的議論を提案し、敵の勾配推定を通じて多様体情報を漏洩させる。
  論文  参考訳（メタデータ） (2021-03-04T20:53:06Z)
• Manifold Learning via Manifold Deflation [105.7418091051558]
  次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。 多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。 本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。 実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
  論文  参考訳（メタデータ） (2020-07-07T10:04:28Z)
• Sample complexity and effective dimension for regression on manifolds [13.774258153124205]
  ヒルベルト空間法を再現したカーネルを用いた多様体上の回帰理論を考える。 多様体上の滑らかな函数のある空間は、多様体次元に応じて拡大する複雑性を持つ実効有限次元であることが示される。
  論文  参考訳（メタデータ） (2020-06-13T14:09:55Z)

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。