論文の概要: Learning Symmetrization for Equivariance with Orbit Distance Minimization

• arxiv url: http://arxiv.org/abs/2311.07143v1
• Date: Mon, 13 Nov 2023 08:14:29 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 15:15:13.326694
• Title: Learning Symmetrization for Equivariance with Orbit Distance Minimization
• Title（参考訳）: 軌道距離最小化を伴う等分散の学習対称性
• Authors: Tien Dat Nguyen, Jinwoo Kim, Hongseok Yang, Seunghoon Hong
• Abstract要約: 本稿では、任意のニューラルネットワークアーキテクチャをシミュレートし、与えられた群に対して同変させるための枠組みを提案する。 我々は,SO(2)画像分類タスクにおいて,提案手法の競合性を実験的に示す。
• 参考スコア（独自算出の注目度）: 27.284125807569115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a general framework for symmetrizing an arbitrary neural-network architecture and making it equivariant with respect to a given group. We build upon the proposals of Kim et al. (2023); Kaba et al. (2023) for symmetrization, and improve them by replacing their conversion of neural features into group representations, with an optimization whose loss intuitively measures the distance between group orbits. This change makes our approach applicable to a broader range of matrix groups, such as the Lorentz group O(1, 3), than these two proposals. We experimentally show our method's competitiveness on the SO(2) image classification task, and also its increased generality on the task with O(1, 3). Our implementation will be made accessible at https://github.com/tiendatnguyen-vision/Orbit-symmetrize.
• Abstract（参考訳）: 本稿では、任意のニューラルネットワークアーキテクチャを対称性化し、与えられたグループに対して同値にする一般的なフレームワークを提案する。 我々は、シンメトリゼーションのためのKim et al. (2023), Kaba et al. (2023)の提案に基づいて、ニューラル特徴の群表現への変換を直感的にグループ軌道間の距離を測定する最適化に置き換えることで、それらを改善する。 この変更により、この2つの提案よりも広い範囲の行列群、例えばローレンツ群 O(1, 3) に適用できる。 我々は,SO(2)画像分類タスクにおける提案手法の競争性およびO(1, 3)タスクにおける一般性の向上を実験的に示す。 私たちの実装はhttps://github.com/tiendatnguyen-vision/Orbit-symmetrizeでアクセスできます。

関連論文リスト

• Optimal Symmetries in Binary Classification [0.0]
  一般化と標本効率を最適化するためには,適切な群対称性を選択することが重要である。 我々は,群同変ニューラルネットワークを設計するための理論的基盤を構築し,対称性の選択をデータの基本となる確率分布と整合させる。
  論文  参考訳（メタデータ） (2024-08-16T16:15:18Z)
• Equivariance via Minimal Frame Averaging for More Symmetries and Efficiency [48.81897136561015]
  最小フレーム平均化(Minimum Frame Averaging、MFA)は、証明可能な最小限のフレームを構築するための数学的フレームワークである。 その結果, 多様なタスクにまたがって, MFAによる対称性の符号化の有効性と効果が示された。
  論文  参考訳（メタデータ） (2024-06-11T15:58:56Z)
• Metric Convolutions: A Unifying Theory to Adaptive Convolutions [3.481985817302898]
  メトリック畳み込みは、画像処理とディープラーニングにおける標準的な畳み込みを置き換える。 パラメータを少なくし、より良い一般化を提供する。 提案手法は,標準的な分類タスクにおける競合性能を示す。
  論文  参考訳（メタデータ） (2024-06-08T08:41:12Z)
• Enhancing lattice kinetic schemes for fluid dynamics with Lattice-Equivariant Neural Networks [79.16635054977068]
  我々はLattice-Equivariant Neural Networks (LENNs)と呼ばれる新しい同変ニューラルネットワークのクラスを提案する。 我々の手法は、ニューラルネットワークに基づく代理モデルLattice Boltzmann衝突作用素の学習を目的とした、最近導入されたフレームワーク内で開発されている。 本研究は,実世界のシミュレーションにおける機械学習強化Lattice Boltzmann CFDの実用化に向けて展開する。
  論文  参考訳（メタデータ） (2024-05-22T17:23:15Z)
• Learning Probabilistic Symmetrization for Architecture Agnostic Equivariance [16.49488981364657]
  群対称性を持つ学習関数における同変アーキテクチャの限界を克服する新しい枠組みを提案する。 我々は、不変量や変圧器のような任意の基底モデルを使用し、それを与えられた群に同変するように対称性付けする。 実証実験は、調整された同変アーキテクチャに対する競争結果を示す。
  論文  参考訳（メタデータ） (2023-06-05T13:40:54Z)
• Deep Learning Symmetries and Their Lie Groups, Algebras, and Subalgebras from First Principles [55.41644538483948]
  ラベル付きデータセットに存在する連続した対称性群の検出と同定のためのディープラーニングアルゴリズムを設計する。 完全に接続されたニューラルネットワークを用いて、変換対称性と対応するジェネレータをモデル化する。 また,Lie群とその性質の数学的研究に機械学習アプローチを使うための扉を開く。
  論文  参考訳（メタデータ） (2023-01-13T16:25:25Z)
• Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
  本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。 6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-21T01:47:17Z)
• GeomNet: A Neural Network Based on Riemannian Geometries of SPD Matrix Space and Cholesky Space for 3D Skeleton-Based Interaction Recognition [2.817412580574242]
  本稿では3次元骨格配列から2人のインタラクションを表現・分類するための新しい手法を提案する。 提案手法は,3次元人間の活動理解のための3つのベンチマーク上での2人インタラクション認識において,競合的な結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-11-25T13:57:43Z)
• Frame Averaging for Invariant and Equivariant Network Design [50.87023773850824]
  フレーム平均化(FA)は、既知の(バックボーン)アーキテクチャを新しい対称性タイプに不変あるいは同変に適応するためのフレームワークである。 FAモデルが最大表現力を持つことを示す。 我々は,新しいユニバーサルグラフニューラルネット(GNN),ユニバーサルユークリッド運動不変点クラウドネットワーク,およびユークリッド運動不変メッセージパッシング(MP)GNNを提案する。
  論文  参考訳（メタデータ） (2021-10-07T11:05:23Z)
• A Practical Method for Constructing Equivariant Multilayer Perceptrons for Arbitrary Matrix Groups [115.58550697886987]
  行列群の同変層を解くための完全一般的なアルゴリズムを提供する。 他作品からのソリューションを特殊ケースとして回収するだけでなく、これまで取り組んだことのない複数のグループと等価な多層パーセプトロンを構築します。 提案手法は, 粒子物理学および力学系への応用により, 非同変基底線より優れる。
  論文  参考訳（メタデータ） (2021-04-19T17:21:54Z)

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。