論文の概要: Revisiting Structured Variational Autoencoders
- arxiv url: http://arxiv.org/abs/2305.16543v1
- Date: Thu, 25 May 2023 23:51:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-29 17:36:49.127146
- Title: Revisiting Structured Variational Autoencoders
- Title(参考訳): 構造化変分オートエンコーダの再検討
- Authors: Yixiu Zhao, Scott W. Linderman
- Abstract要約: 構造化変動オートエンコーダ(SVAE)は、潜伏変数の確率的グラフィカルモデル、観測データに潜伏変数をリンクするディープニューラルネットワーク、近似後部推論のための構造探索アルゴリズムを組み合わせる。
その概念的優雅さにもかかわらず、SVAEは実装が困難であることが証明され、より一般的なアプローチが実際に好まれている。
ここでは、現代の機械学習ツールを使用してSVAEを再検討し、精度と効率の両面で、より一般的な選択肢よりも優位性を示す。
- 参考スコア(独自算出の注目度): 11.998116457994994
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Structured variational autoencoders (SVAEs) combine probabilistic graphical
model priors on latent variables, deep neural networks to link latent variables
to observed data, and structure-exploiting algorithms for approximate posterior
inference. These models are particularly appealing for sequential data, where
the prior can capture temporal dependencies. However, despite their conceptual
elegance, SVAEs have proven difficult to implement, and more general approaches
have been favored in practice. Here, we revisit SVAEs using modern machine
learning tools and demonstrate their advantages over more general alternatives
in terms of both accuracy and efficiency. First, we develop a modern
implementation for hardware acceleration, parallelization, and automatic
differentiation of the message passing algorithms at the core of the SVAE.
Second, we show that by exploiting structure in the prior, the SVAE learns more
accurate models and posterior distributions, which translate into improved
performance on prediction tasks. Third, we show how the SVAE can naturally
handle missing data, and we leverage this ability to develop a novel,
self-supervised training approach. Altogether, these results show that the time
is ripe to revisit structured variational autoencoders.
- Abstract(参考訳): 構造化変分オートエンコーダ(svaes)は、潜在変数の確率的グラフィカルモデルプリアーと、観測データに潜在変数をリンクするディープニューラルネットワークと、近似後続推定のための構造展開アルゴリズムを組み合わせた。
これらのモデルは、前者が一時的な依存関係をキャプチャできるシーケンシャルデータに特に魅力的である。
しかし、その概念的優越性にもかかわらず、SVAEは実装が困難であることが証明され、より一般的なアプローチが実際に好まれている。
ここでは、現代の機械学習ツールを使用してSVAEを再検討し、精度と効率の両面で、より一般的な選択肢よりも優位性を示す。
まず,sveeのコアであるメッセージパッシングアルゴリズムの,ハードウェアアクセラレーション,並列化,自動微分のための現代的な実装を開発する。
第2に, SVAE は事前構造を利用して, より正確なモデルと後部分布を学習し, 予測タスクの性能向上を図っている。
第三に、SVAEが自然に欠落したデータを処理できることを示し、この能力を活用して、新しい自己教師型トレーニングアプローチを開発する。
これらの結果は、構造化変分オートエンコーダを再検討する時間が熟していることを示している。
関連論文リスト
- Vision Augmentation Prediction Autoencoder with Attention Design (VAPAAD) [0.0]
本研究では、注意機構をシーケンス予測に統合する革新的なアプローチである、意識設計付き視覚拡張予測オートエンコーダ(VAPAAD)を紹介する。
VAPAADはデータ拡張、ConvLSTM2Dレイヤ、およびカスタムビルドのセルフアテンションメカニズムを組み合わせて、シーケンス内の健全な特徴に効果的に集中し、予測精度とコンテキスト認識分析を強化する。
論文 参考訳(メタデータ) (2024-04-15T19:06:58Z) - Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - Enhanced LFTSformer: A Novel Long-Term Financial Time Series Prediction Model Using Advanced Feature Engineering and the DS Encoder Informer Architecture [0.8532753451809455]
本研究では,拡張LFTSformerと呼ばれる長期金融時系列の予測モデルを提案する。
このモデルは、いくつかの重要なイノベーションを通じて、自分自身を区別する。
さまざまなベンチマークストックマーケットデータセットに関するシステマティックな実験は、強化LFTSformerが従来の機械学習モデルより優れていることを示している。
論文 参考訳(メタデータ) (2023-10-03T08:37:21Z) - Unbiased Learning of Deep Generative Models with Structured Discrete
Representations [7.9057320008285945]
構造化可変オートエンコーダ(SVAE)の学習のための新しいアルゴリズムを提案する。
我々はSVAEがデータの欠落時に個別の潜伏変数を組み込むことでマルチモーダル不確実性を扱う能力を初めて示す。
メモリ効率の高い暗黙差分法により,SVAEは不完全最適化に対して頑健さを示しつつ,勾配降下により学習しやすくなった。
論文 参考訳(メタデータ) (2023-06-14T03:59:21Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - A Hybrid Framework for Sequential Data Prediction with End-to-End
Optimization [0.0]
オンライン環境での非線形予測について検討し,手作業による特徴や手作業によるモデル選択の問題を効果的に緩和するハイブリッドモデルを提案する。
逐次データからの適応的特徴抽出にはLSTM(Recurrent Neural Network)、効果的な教師付き回帰には勾配強化機構(soft GBDT)を用いる。
本稿では, 合成データに対するアルゴリズムの学習挙動と, 各種実生活データセットに対する従来の手法による性能改善について述べる。
論文 参考訳(メタデータ) (2022-03-25T17:13:08Z) - Self-Adaptive Forecasting for Improved Deep Learning on Non-Stationary
Time-Series [20.958959332978726]
SAFは、バックキャストに基づく予測に先立って自己適応段階を統合する」
提案手法は,符号化された表現を進化する分布に効率よく適応させることにより,より優れた一般化を実現する。
時系列データが医療や金融などの非定常性で知られる領域における合成および実世界のデータセットについて、SAFの顕著なメリットを実証する。
論文 参考訳(メタデータ) (2022-02-04T21:54:10Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - Exploring Complementary Strengths of Invariant and Equivariant
Representations for Few-Shot Learning [96.75889543560497]
多くの現実世界では、多数のラベル付きサンプルの収集は不可能です。
少ないショット学習はこの問題に対処するための主要なアプローチであり、目的は限られた数のサンプルの存在下で新しいカテゴリに迅速に適応することです。
幾何学的変換の一般集合に対する等分散と不変性を同時に強制する新しい訓練機構を提案する。
論文 参考訳(メタデータ) (2021-03-01T21:14:33Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳(メタデータ) (2021-02-02T06:15:15Z) - Autoencoding Variational Autoencoder [56.05008520271406]
我々は,この行動が学習表現に与える影響と,自己整合性の概念を導入することでそれを修正する結果について検討する。
自己整合性アプローチで訓練されたエンコーダは、敵攻撃による入力の摂動に対して頑健な(無神経な)表現につながることを示す。
論文 参考訳(メタデータ) (2020-12-07T14:16:14Z)
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。