論文の概要: Controllable Data Generation Via Iterative Data-Property Mutual Mappings
- arxiv url: http://arxiv.org/abs/2310.07683v1
- Date: Wed, 11 Oct 2023 17:34:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 21:28:49.004532
- Title: Controllable Data Generation Via Iterative Data-Property Mutual Mappings
- Title（参考訳）: 反復データ-プロパティ相互マッピングによる制御可能なデータ生成
- Authors: Bo Pan, Muran Qin, Shiyu Wang, Yifei Zhang, Liang Zhao
- Abstract要約: 本稿では,VAEベースのデータジェネレータを特性制御性で拡張し,乱れを確実にするフレームワークを提案する。
提案フレームワークは, 特性誤差, ゆがみ, 生成品質, トレーニング時間に関する性能評価を行うために, VAEベースの4つの制御可能ジェネレータ上に実装されている。
- 参考スコア（独自算出の注目度）: 13.282793266390316
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep generative models have been widely used for their ability to generate
realistic data samples in various areas, such as images, molecules, text, and
speech. One major goal of data generation is controllability, namely to
generate new data with desired properties. Despite growing interest in the area
of controllable generation, significant challenges still remain, including 1)
disentangling desired properties with unrelated latent variables, 2)
out-of-distribution property control, and 3) objective optimization for
out-of-distribution property control. To address these challenges, in this
paper, we propose a general framework to enhance VAE-based data generators with
property controllability and ensure disentanglement. Our proposed objective can
be optimized on both data seen and unseen in the training set. We propose a
training procedure to train the objective in a semi-supervised manner by
iteratively conducting mutual mappings between the data and properties. The
proposed framework is implemented on four VAE-based controllable generators to
evaluate its performance on property error, disentanglement, generation
quality, and training time. The results indicate that our proposed framework
enables more precise control over the properties of generated samples in a
short training time, ensuring the disentanglement and keeping the validity of
the generated samples.
- Abstract（参考訳）: 深層生成モデルは、画像、分子、テキスト、音声など様々な領域で現実的なデータサンプルを生成する能力のために広く使われている。
データ生成の大きな目標の1つは制御可能性であり、所望のプロパティを持つ新しいデータを生成することである。
制御可能な世代への関心は高まっているが、いまだに重要な課題が残っている。
1)無関係な潜在変数で所望のプロパティを分離すること。
2)配当外の財産管理、及び
3【分配外特性制御の客観的最適化】
これらの課題に対処するため,本稿では,VAEベースのデータジェネレータをプロパティ制御性で拡張し,乱れを確実にする汎用フレームワークを提案する。
提案する目標は,トレーニングセットで見たデータと見えないデータの両方に最適化できる。
本研究では,データと特性の相互マッピングを反復的に行うことにより,半教師あり方式で目標を訓練する訓練手順を提案する。
提案するフレームワークは4つのvaeベースの制御可能なジェネレータに実装され,その特性エラー,絡み合い,生成品質,トレーニング時間に関する性能評価を行う。
その結果,提案フレームワークは, 短時間で生成したサンプルの特性をより正確に制御し, 標本の絡み合いを確実にし, 有効性を確保できることがわかった。
関連論文リスト
- PerlDiff: Controllable Street View Synthesis Using Perspective-Layout Diffusion Models [55.080748327139176]
PerlDiffは、3次元幾何学情報を完全に活用した効果的なストリートビュー画像生成手法である。
この結果から,我々のPerlDiffはNuScenesおよびKITTIデータセットの生成精度を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2024-07-08T16:46:47Z) - Implicitly Guided Design with PropEn: Match your Data to Follow the Gradient [52.2669490431145]
PropEnは'matching'にインスパイアされている。
一致したデータセットによるトレーニングは、データ分布内に留まりながら、興味のある性質の勾配を近似することを示す。
論文 参考訳（メタデータ） (2024-05-28T11:30:19Z) - An improved tabular data generator with VAE-GMM integration [9.4491536689161]
本稿では,現在のアプローチの限界に対処する新しい変分オートエンコーダ(VAE)モデルを提案する。
本手法は,TVAEモデルにインスパイアされたベイジアン・ガウス混合モデル(BGM)をVAEアーキテクチャに組み込む。
我々は,2つの医療関連データセットを含む混合データ型を持つ実世界の3つのデータセットに対して,我々のモデルを徹底的に検証する。
論文 参考訳（メタデータ） (2024-04-12T12:31:06Z) - SubjectDrive: Scaling Generative Data in Autonomous Driving via Subject Control [59.20038082523832]
我々は、自動走行アプリケーションの改善を継続的に行う方法で、生成データ生産を拡大することが証明された最初のモデルであるSubjectDriveを提案する。
本研究では, 多様なデータを生成するために, 多様な外部データソースを活用可能な, 主観制御機構を備えた新しいモデルを開発する。
論文 参考訳（メタデータ） (2024-03-28T14:07:13Z) - Targeted Analysis of High-Risk States Using an Oriented Variational
Autoencoder [3.494548275937873]
可変オートエンコーダ(VAE)ニューラルネットワークは、電力系統状態を生成するために訓練することができる。
VAEの潜在空間符号の座標は、データの概念的特徴と相関することが示されている。
本稿では、遅延空間コードと生成されたデータとのリンクを制限するために、指向性変動オートエンコーダ(OVAE)を提案する。
論文 参考訳（メタデータ） (2023-03-20T19:34:21Z) - Multi-objective Deep Data Generation with Correlated Property Control [23.99970130388449]
本稿では,非絡み付き潜在ベクトルによる意味論と特性の相関を復元する,新しい深層生成フレームワークを提案する。
我々の生成モデルは,多目的最適化フレームワークの下で,特性の相関と矛盾を扱いながら,興味のある特性を保存します。
論文 参考訳（メタデータ） (2022-10-01T00:35:45Z) - Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D
Object Detection [85.11649974840758]
3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。
そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T18:42:42Z) - TimeVAE: A Variational Auto-Encoder for Multivariate Time Series
Generation [6.824692201913679]
可変オートエンコーダ(VAE)を用いて時系列データを合成生成する新しいアーキテクチャを提案する。
提案されたアーキテクチャには、解釈可能性、ドメイン知識をエンコードする能力、トレーニング時間の短縮など、いくつかの異なる特性がある。
論文 参考訳（メタデータ） (2021-11-15T21:42:14Z) - Improving the quality of generative models through Smirnov
transformation [1.3492000366723798]
本稿では,ジェネレータの出力として使用される新しいアクティベーション関数を提案する。
これはスミルノフ確率変換に基づいており、生成されたデータの品質を改善するために特別に設計されている。
論文 参考訳（メタデータ） (2021-10-29T17:01:06Z) - Negative Data Augmentation [127.28042046152954]
負のデータ拡張サンプルは、データ分散のサポートに関する情報を提供することを示す。
我々は、NDAを識別器の合成データの追加源として利用する新しいGAN訓練目標を提案する。
実験により,本手法で訓練したモデルでは,異常検出能力の向上とともに条件付き・条件付き画像生成の改善を実現している。
論文 参考訳（メタデータ） (2021-02-09T20:28:35Z) - BREEDS: Benchmarks for Subpopulation Shift [98.90314444545204]
本研究では,人口変動に対するモデルのロバスト性を評価する手法を開発した。
既存のデータセットの基盤となるクラス構造を利用して、トレーニングとテストの分散を構成するデータサブポピュレーションを制御する。
この手法をImageNetデータセットに適用し、様々な粒度のサブポピュレーションシフトベンチマークスイートを作成する。
論文 参考訳（メタデータ） (2020-08-11T17:04:47Z)
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。