論文の概要: Learning Distributions on Manifolds with Free-form Flows
- arxiv url: http://arxiv.org/abs/2312.09852v1
- Date: Fri, 15 Dec 2023 14:58:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-18 15:15:38.514970
- Title: Learning Distributions on Manifolds with Free-form Flows
- Title(参考訳): 自由流を伴う多様体上の学習分布
- Authors: Peter Sorrenson, Felix Draxler, Armand Rousselot, Sander Hummerich,
Ullrich K\"othe
- Abstract要約: トレーニングは、最近提案されたフリーフォームフローフレームワークの適応によって達成される。
中心となる考え方は、接空間で評価されたトレースを通して負の対数様の勾配を推定することである。
従来の作業に比べて、競争性能での推測が大幅に速いことが分かりました。
- 参考スコア(独自算出の注目度): 2.0891120283967264
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Many real world data, particularly in the natural sciences and computer
vision, lie on known Riemannian manifolds such as spheres, tori or the group of
rotation matrices. The predominant approaches to learning a distribution on
such a manifold require solving a differential equation in order to sample from
the model and evaluate densities. The resulting sampling times are slowed down
by a high number of function evaluations. In this work, we propose an
alternative approach which only requires a single function evaluation followed
by a projection to the manifold. Training is achieved by an adaptation of the
recently proposed free-form flow framework to Riemannian manifolds. The central
idea is to estimate the gradient of the negative log-likelihood via a trace
evaluated in the tangent space. We evaluate our method on various manifolds,
and find significantly faster inference at competitive performance compared to
previous work. We make our code public at https://github.com/vislearn/FFF.
- Abstract(参考訳): 現実世界のデータの多くは、特に自然科学やコンピュータビジョンにおいて、球面、トーラス、回転行列群のような既知のリーマン多様体上に存在する。
そのような多様体上の分布を学習するには、モデルから標本を採取し密度を評価するために微分方程式を解く必要がある。
得られたサンプリング時間は、多数の関数評価によって遅くなる。
本研究では, 1 つの関数評価と多様体への射影のみを必要とする別の手法を提案する。
トレーニングは、最近提案された自由形式フローフレームワークをリーマン多様体に適応させることによって達成される。
中心となる考え方は、接空間で評価されたトレースを通して負の対数様の勾配を推定することである。
提案手法は様々な多様体上で評価し, 従来の手法に比べ, 性能の面では有意に高速であることがわかった。
コードをhttps://github.com/vislearn/FFF.comで公開しています。
関連論文リスト
- Mixed Gaussian Flow for Diverse Trajectory Prediction [78.00204650749453]
混合ガウスを将来の軌跡多様体に変換するためのフローベースモデルを提案する。
このモデルでは、多様な軌道パターンを生成する能力が向上している。
また,多様な,制御可能な,分布外のトラジェクトリを生成可能であることも実証した。
論文 参考訳(メタデータ) (2024-02-19T15:48:55Z) - Scaling Riemannian Diffusion Models [68.52820280448991]
非自明な多様体上の高次元タスクにスケールできることを示す。
我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
論文 参考訳(メタデータ) (2023-10-30T21:27:53Z) - Generative Modeling on Manifolds Through Mixture of Riemannian Diffusion
Processes [67.80645464187688]
多様体上に生成過程を構築するための原理的枠組みを導入する。
混合プロセスは、最も可能性の高いエンドポイントに向かって漂流誘導することを特徴とする。
混合過程を学習するための簡易かつ効率的な学習目標を提案する。
論文 参考訳(メタデータ) (2023-10-11T06:04:40Z) - Diffusion Generative Flow Samplers: Improving learning signals through
partial trajectory optimization [87.21285093582446]
Diffusion Generative Flow Samplers (DGFS) はサンプルベースのフレームワークであり、学習プロセスを短い部分的軌道セグメントに分解することができる。
生成フローネットワーク(GFlowNets)のための理論から着想を得た。
論文 参考訳(メタデータ) (2023-10-04T09:39:05Z) - FeCAM: Exploiting the Heterogeneity of Class Distributions in
Exemplar-Free Continual Learning [21.088762527081883]
Exemplar-free class-incremental learning (CIL)は、以前のタスクからのデータのリハーサルを禁止しているため、いくつかの課題がある。
第1タスクの後に特徴抽出器を凍結して分類器を漸進的に学習する手法が注目されている。
凍結した特徴抽出器を用いて新しいクラスプロトタイプを生成するCILのプロトタイプネットワークを探索し,プロトタイプとのユークリッド距離に基づいて特徴を分類する。
論文 参考訳(メタデータ) (2023-09-25T11:54:33Z) - Learning Representations on the Unit Sphere: Investigating Angular
Gaussian and von Mises-Fisher Distributions for Online Continual Learning [7.145581090959242]
本稿では,新たな損失関数を備えたメモリベース表現学習手法を提案する。
提案手法は,タスク境界がぼやけた標準的な評価シナリオと現実的なシナリオの両方において,現状の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) (2023-06-06T02:38:01Z) - Manifold Learning by Mixture Models of VAEs for Inverse Problems [0.8602553195689513]
任意の位相の多様体を表現するために,変分オートエンコーダの混合モデルを学習する。
学習多様体に制限されたデータ忠実度項を最小化することにより、逆問題の解法に使用する。
本手法を低次元トイの例に応用し, 脱臭・電気インピーダンストモグラフィーにも応用した。
論文 参考訳(メタデータ) (2023-03-27T14:29:04Z) - Inferring Manifolds From Noisy Data Using Gaussian Processes [15.54399517426726]
ほとんどの既存の多様体学習アルゴリズムは、元のデータを低次元座標で置き換える。
本稿では,これらの問題に対処するための新しい手法を提案する。
論文 参考訳(メタデータ) (2021-10-14T15:50:38Z) - Flow Network based Generative Models for Non-Iterative Diverse Candidate
Generation [110.09855163856326]
本稿では,アクションのシーケンスからオブジェクトを生成するためのポリシーを学習する問題について述べる。
本稿では,生成過程をフローネットワークとして見たGFlowNetを提案する。
提案した目的の任意のグローバルな最小限が、所望の分布から標本化する方針を導出することを証明する。
論文 参考訳(メタデータ) (2021-06-08T14:21:10Z) - Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。
埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。
複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
論文 参考訳(メタデータ) (2020-03-09T13:51:09Z)
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。