Fugu-MT 論文翻訳(概要): Diffusion-Augmented Neural Processes

論文の概要: Diffusion-Augmented Neural Processes

arxiv url: http://arxiv.org/abs/2311.09848v1
Date: Thu, 16 Nov 2023 12:21:06 GMT
ステータス: 処理完了
システム内更新日: 2023-11-17 14:18:55.766392
Title: Diffusion-Augmented Neural Processes
Title（参考訳）: 拡散誘導神経プロセス
Authors: Lorenzo Bonito, James Requeima, Aliaksandra Shysheya, Richard E. Turner
Abstract要約: この分野における技術の現状は、その広範な展開を妨げるいくつかの問題を提示している。この研究は、ノイズ付きデータセットの条件付けを通じて、これらの制限の多くに対処すると同時に、SOTA性能を超越した、NPに対する代替的な拡散に基づくアプローチを提案する。
参考スコア（独自算出の注目度）: 33.35126494209046
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Over the last few years, Neural Processes have become a useful modelling tool in many application areas, such as healthcare and climate sciences, in which data are scarce and prediction uncertainty estimates are indispensable. However, the current state of the art in the field (AR CNPs; Bruinsma et al., 2023) presents a few issues that prevent its widespread deployment. This work proposes an alternative, diffusion-based approach to NPs which, through conditioning on noised datasets, addresses many of these limitations, whilst also exceeding SOTA performance.
Abstract（参考訳）: ここ数年、医療や気候科学など、データが少なく予測の不確実性の推定が不可欠である多くの応用分野において、神経プロセスは有用なモデリングツールになっています。しかし、この分野の最先端技術(AR CNPs; Bruinsma et al., 2023)は、その普及を妨げるいくつかの問題を提起している。この研究は、ノイズ付きデータセットの条件付けを通じて、これらの制限の多くに対処すると同時に、SOTA性能を超越した代替の拡散ベースアプローチを提案する。

関連論文リスト

Exploring The Neural Burden In Pruned Models: An Insight Inspired By Neuroscience [11.356550034255296]
プルーニング技術はネットワークのかなりの部分を取り除くために広く使われている。これらの手法はFLOPのかなりの割合を削減できるが、しばしばモデルの性能を低下させる。我々はニューラルバーデンというニューラルニューラルネットワークモデルの新しい概念を提案する。
論文参考訳（メタデータ） (2024-07-23T03:43:21Z)
Autoregressive Conditional Neural Processes [20.587835119831595]
条件付きニューラルプロセス(CNP)は魅力的なメタラーニングモデルである。それらはよく校正された予測を生成し、単純な最大極大手順で訓練することができる。 CNPは、予測において依存関係をモデル化できない。我々は、モデルやトレーニング手順を変更することなく、テスト時にCNPをどのように展開するかを変更することを提案する。
論文参考訳（メタデータ） (2023-03-25T13:34:12Z)
cs-net: structural approach to time-series forecasting for high-dimensional feature space data with limited observations [1.5533753199073637]
本研究では,高次元多変量予測タスクに優れたフレキシブルなデータ特徴抽出手法を提案する。我々のアプローチは、もともとNational Science Foundation (NSF) Algorithms for Threat Detection (ATD) 2022 Challengeのために開発された。我々のモデルは、GDELTデータセットでトレーニングされ、ATDスプリントシリーズの第1位と第2位に終わり、時系列予測のための他のデータセットを約束します。
論文参考訳（メタデータ） (2022-12-05T19:46:47Z)
SNAF: Sparse-view CBCT Reconstruction with Neural Attenuation Fields [71.84366290195487]
神経減衰場を学習し,スパースビューCBCT再構成のためのSNAFを提案する。提案手法は,入力ビューが20程度しかなく,高再生品質(30以上のPSNR)で優れた性能を実現する。
論文参考訳（メタデータ） (2022-11-30T14:51:14Z)
A Survey on Generative Diffusion Model [75.93774014861978]
拡散モデルは、深層生成モデルの新たなクラスである。時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
論文参考訳（メタデータ） (2022-09-06T16:56:21Z)
FFNB: Forgetting-Free Neural Blocks for Deep Continual Visual Learning [14.924672048447338]
我々は、新しい忘れのないニューラルブロック(FFNB)に基づく連続学習のための動的ネットワークアーキテクチャを考案する。 FFNB機能を新しいタスクでトレーニングするには、以前のタスクのnull-スペースのパラメータを制約する新しいプロシージャを使用する。
論文参考訳（メタデータ） (2021-11-22T17:23:34Z)
When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文参考訳（メタデータ） (2021-06-07T18:31:47Z)
Neural ODE Processes [64.10282200111983]
NDP(Neural ODE Process)は、Neural ODEの分布によって決定される新しいプロセスクラスである。我々のモデルは,少数のデータポイントから低次元システムのダイナミクスを捉えることができることを示す。
論文参考訳（メタデータ） (2021-03-23T09:32:06Z)
An Active Learning Method for Diabetic Retinopathy Classification with Uncertainty Quantification [3.7220380160016626]
不確実性定量のためのハイブリッドモデルと、不一致データを注釈付けするためのアクティブラーニングアプローチを提案する。糖尿病網膜症分類の枠組みについて検討し,様々な指標で最先端のパフォーマンスを達成した。
論文参考訳（メタデータ） (2020-12-24T16:59:15Z)
Bootstrapping Neural Processes [114.97111530885093]
ニューラル・プロセス(NP)は、ニューラルネットワークを用いた幅広いプロセスのクラスを暗黙的に定義する。 NPは、プロセスの不確実性は単一の潜在変数によってモデル化されるという仮定に依存している。本稿では,ブートストラップを用いたNPファミリーの新規拡張であるBoostrapping Neural Process (BNP)を提案する。
論文参考訳（メタデータ） (2020-08-07T02:23:34Z)

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。