論文の概要: On Explicit Curvature Regularization in Deep Generative Models

• arxiv url: http://arxiv.org/abs/2309.10237v1
• Date: Tue, 19 Sep 2023 01:21:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 16:58:31.095431
• Title: On Explicit Curvature Regularization in Deep Generative Models
• Title（参考訳）: 深部生成モデルにおける明示的曲率正規化について
• Authors: Yonghyeon Lee and Frank Chongwoo Park
• Abstract要約: 本稿では、深層生成モデル学習のための曲率に基づく正規化用語群を提案する。 内在的および外在的曲率測定のための指数座標不変式を導出する。 ノイズのあるモーションキャプチャーデータを含む実験では、曲率に基づく手法が既存のオートエンコーダ正規化法より優れていることを確認した。
• 参考スコア（独自算出の注目度）: 10.37039894522823
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a family of curvature-based regularization terms for deep generative model learning. Explicit coordinate-invariant formulas for both intrinsic and extrinsic curvature measures are derived for the case of arbitrary data manifolds embedded in higher-dimensional Euclidean space. Because computing the curvature is a highly computation-intensive process involving the evaluation of second-order derivatives, efficient formulas are derived for approximately evaluating intrinsic and extrinsic curvatures. Comparative studies are conducted that compare the relative efficacy of intrinsic versus extrinsic curvature-based regularization measures, as well as performance comparisons against existing autoencoder training methods. Experiments involving noisy motion capture data confirm that curvature-based methods outperform existing autoencoder regularization methods, with intrinsic curvature measures slightly more effective than extrinsic curvature measures.
• Abstract（参考訳）: 深層生成モデル学習のための曲率に基づく正規化用語群を提案する。 高次元ユークリッド空間に埋め込まれた任意のデータ多様体の場合、内在的および外在的曲率測度の明示的な座標不変式が導かれる。 曲率の計算は二階導関数の評価を含む計算集約的なプロセスであるため、本質曲率と余剰曲率を概ね評価するための効率的な公式が導出される。 内在的および外在的曲率に基づく正規化尺度の相対的有効性の比較および既存の自己エンコーダ訓練法との比較を行った。 ノイズのあるモーションキャプチャーデータを含む実験により、既存のオートエンコーダ正規化法よりも曲率に基づく手法が優れていることを確認した。

関連論文リスト

• An evaluation framework for dimensionality reduction through sectional curvature [59.40521061783166]
  本研究は,非教師付き次元減少性能指標を初めて導入することを目的としている。 その実現可能性をテストするために、この測定基準は最もよく使われる次元削減アルゴリズムの性能を評価するために用いられている。 新しいパラメータ化問題インスタンスジェネレータが関数ジェネレータの形式で構築されている。
  論文  参考訳（メタデータ） (2023-03-17T11:59:33Z)
• Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
  アイソメトリーを用いて、多様体学習と密度推定を分離する。 また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
  論文  参考訳（メタデータ） (2022-03-08T08:57:43Z)
• An Operator-Splitting Method for the Gaussian Curvature Regularization Model with Applications in Surface Smoothing and Imaging [6.860238280163609]
  一般ガウス曲率モデルの演算子分割法を提案する。 提案手法は,パラメータの選択,効率,性能に敏感ではない。
  論文  参考訳（メタデータ） (2021-08-04T08:59:41Z)
• On Linear Interpolation in the Latent Space of Deep Generative Models [0.0]
  潜在空間における線形の滑らかさと可視性は、基礎となる生成モデルの品質と関連している。 測地線が与える最短曲線から任意に逸脱できるので、そのような曲線がすべて同値であるとは限らない。 この偏差は、生成モデルのプルバックメトリックによる曲線長の計算によって明らかにされる。
  論文  参考訳（メタデータ） (2021-05-08T10:27:07Z)
• Jointly Modeling and Clustering Tensors in High Dimensions [6.072664839782975]
  テンソルの合同ベンチマークとクラスタリングの問題を考察する。 本稿では,統計的精度の高い近傍に幾何的に収束する効率的な高速最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-04-15T21:06:16Z)
• Efficient Semi-Implicit Variational Inference [65.07058307271329]
  効率的でスケーラブルな半単純外挿 (SIVI) を提案する。 本手法はSIVIの証拠を低勾配値の厳密な推測にマッピングする。
  論文  参考訳（メタデータ） (2021-01-15T11:39:09Z)
• Joint Dimensionality Reduction for Separable Embedding Estimation [43.22422640265388]
  異なるソースからのデータの低次元埋め込みは、機械学習、マルチメディア情報検索、バイオインフォマティクスにおいて重要な役割を果たす。 異なるモダリティのデータや異なる種類の実体からのデータを表す2つの特徴ベクトルに対して,線形埋め込みを共同で学習する,教師付き次元還元法を提案する。 提案手法は,他の次元減少法と比較し,遺伝子・退化関連を予測するための両線形回帰の最先端手法と比較した。
  論文  参考訳（メタデータ） (2021-01-14T08:48:37Z)
• Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
  我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。 暗黙正則化現象の理論的保証を提供する。
  論文  参考訳（メタデータ） (2020-07-16T13:27:47Z)
• Random extrapolation for primal-dual coordinate descent [61.55967255151027]
  本稿では,データ行列の疎度と目的関数の好適な構造に適応する,ランダムに外挿した原始-双対座標降下法を提案する。 一般凸凹の場合, 主対差と目的値に対するシーケンスのほぼ確実に収束と最適サブ線形収束率を示す。
  論文  参考訳（メタデータ） (2020-07-13T17:39:35Z)
• SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for Gaussian Process Regression with Derivatives [86.01677297601624]
  本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。 我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
  論文  参考訳（メタデータ） (2020-03-05T14:33:20Z)

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。