論文の概要: Monotone Generative Modeling via a Gromov-Monge Embedding
- arxiv url: http://arxiv.org/abs/2311.01375v1
- Date: Thu, 2 Nov 2023 16:33:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 12:49:06.995656
- Title: Monotone Generative Modeling via a Gromov-Monge Embedding
- Title(参考訳): Gromov-Monge 埋め込みによるモノトン生成モデル
- Authors: Wonjun Lee, Yifei Yang, Dongmian Zou, Gilad Lerman
- Abstract要約: GAN(Generative Adversarial Networks)は、新しいコンテンツを作成する強力なツールである。
GANは起動条件に対する感受性やモード崩壊といった課題に直面している。
本稿では,Gromov-Monge埋め込みを用いた深層生成モデルを提案する。
- 参考スコア(独自算出の注目度): 21.775903646790926
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative Adversarial Networks (GANs) are powerful tools for creating new
content, but they face challenges such as sensitivity to starting conditions
and mode collapse. To address these issues, we propose a deep generative model
that utilizes the Gromov-Monge embedding (GME). It helps identify the
low-dimensional structure of the underlying measure of the data and then maps
it, while preserving its geometry, into a measure in a low-dimensional latent
space, which is then optimally transported to the reference measure. We
guarantee the preservation of the underlying geometry by the GME and
$c$-cyclical monotonicity of the generative map, where $c$ is an intrinsic
embedding cost employed by the GME. The latter property is a first step in
guaranteeing better robustness to initialization of parameters and mode
collapse. Numerical experiments demonstrate the effectiveness of our approach
in generating high-quality images, avoiding mode collapse, and exhibiting
robustness to different starting conditions.
- Abstract(参考訳): Generative Adversarial Networks (GAN)は、新しいコンテンツを作成する強力なツールであるが、開始条件に対する感受性やモード崩壊といった課題に直面している。
このような問題に対処するために,Gromov-Monge 埋め込み (GME) を用いた深層生成モデルを提案する。
基礎となるデータの測度の低次元構造を同定し、幾何学を保存しながらそれを低次元の潜在空間内の測度に写像し、それを基準測度に最適に輸送する。
我々は、gme によって基礎となる幾何の保存と生成写像の周期的単調性を保証するが、ここでは $c$ は gme が使用する内在的埋め込みコストである。
後者の特性は、パラメータの初期化とモード崩壊に対するより良い堅牢性を保証する最初のステップである。
数値実験により,高画質画像の生成,モード崩壊回避,異なる開始条件に対する堅牢性を示す手法の有効性が示された。
関連論文リスト
- F$^3$low: Frame-to-Frame Coarse-grained Molecular Dynamics with SE(3) Guided Flow Matching [43.607506885746155]
本稿では,改良サンプリングのためのアンダーラインフローマッチング(F$3$low)を用いた生成モデルを提案する。
SE(3)上の無力な生成パラダイムにより、多種多様なコンフォメーションを迅速に生成する能力は、効率的なサンプリング方法への道を開く。
論文 参考訳(メタデータ) (2024-05-01T04:53:14Z) - CoarsenConf: Equivariant Coarsening with Aggregated Attention for
Molecular Conformer Generation [3.31521245002301]
本稿では, 反角に基づく分子グラフをSE(3)等価な階層的変分オートエンコーダに統合するCoarsenConfを紹介する。
等変粗粒化により、回転可能な結合を介して連結された部分グラフの微細な原子座標を集約し、可変長粗粒化潜在表現を生成する。
本モデルでは, 粗粒の潜在表現から細粒度座標を復元する新しいアグリゲートアテンション機構を用いて, 正確なコンフォメータを効率よく生成する。
論文 参考訳(メタデータ) (2023-06-26T17:02:54Z) - Unveiling the Latent Space Geometry of Push-Forward Generative Models [24.025975236316846]
多くの深い生成モデルは、GAN(Generative Adversarial Networks)やVAE(Varial Auto-Encoders)のような連続生成器によってガウス測度のプッシュフォワードとして定義される。
この研究は、そのような深層生成モデルの潜伏空間を探索する。
これらのモデルの主な問題は、非連結分布を学習する際に、対象分布の支持外からサンプルを出力する傾向があることである。
論文 参考訳(メタデータ) (2022-07-21T15:29:35Z) - Riemannian Score-Based Generative Modeling [56.20669989459281]
経験的性能を示すスコアベース生成モデル(SGM)を紹介する。
現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。
これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
論文 参考訳(メタデータ) (2022-02-06T11:57:39Z) - Generative Coarse-Graining of Molecular Conformations [28.127928605838388]
本稿では,バックマッピング変換の確率的性質と幾何的整合性要件を組み込んだ新しいモデルを提案する。
われわれのアプローチは、常により現実的な構造を回復し、既存のデータ駆動手法よりも優れたマージンを持つ。
論文 参考訳(メタデータ) (2022-01-28T15:18:34Z) - SyMetric: Measuring the Quality of Learnt Hamiltonian Dynamics Inferred
from Vision [73.26414295633846]
最近提案されたモデルのクラスは、高次元観測から潜在力学を学習しようと試みている。
既存の手法は画像再構成の品質に依存しており、学習した潜在力学の質を常に反映しているわけではない。
我々は、基礎となるハミルトン力学が忠実に捕獲されたかどうかのバイナリ指標を含む、一連の新しい尺度を開発する。
論文 参考訳(メタデータ) (2021-11-10T23:26:58Z) - Self-supervised Geometric Perception [96.89966337518854]
自己教師付き幾何知覚(self-supervised geometric perception)は、基底幾何モデルラベルなしで対応マッチングのための特徴記述子を学ぶためのフレームワークである。
また,SGPは,地上トラスラベルを用いて訓練した教師付きオークルよりも同等か優れる最先端性能を達成できることを示す。
論文 参考訳(メタデータ) (2021-03-04T15:34:43Z) - Scaling Hidden Markov Language Models [118.55908381553056]
この研究は、HMMを言語モデリングデータセットに拡張するという課題を再考する。
本研究では,HMMを大規模状態空間に拡張する手法を提案する。
論文 参考訳(メタデータ) (2020-11-09T18:51:55Z) - The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。
この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
論文 参考訳(メタデータ) (2020-06-22T16:43:35Z) - MMCGAN: Generative Adversarial Network with Explicit Manifold Prior [78.58159882218378]
本稿では,モード崩壊を緩和し,GANのトレーニングを安定させるために,明示的な多様体学習を採用することを提案する。
玩具データと実データの両方を用いた実験により,MMCGANのモード崩壊緩和効果,トレーニングの安定化,生成サンプルの品質向上効果が示された。
論文 参考訳(メタデータ) (2020-06-18T07:38:54Z)
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。