Fugu-MT 論文翻訳(概要): InvertibleNetworks.jl: A Julia package for scalable normalizing flows

論文の概要: InvertibleNetworks.jl: A Julia package for scalable normalizing flows

arxiv url: http://arxiv.org/abs/2312.13480v1
Date: Wed, 20 Dec 2023 23:20:09 GMT
ステータス: 処理完了
システム内更新日: 2023-12-22 16:27:09.253581
Title: InvertibleNetworks.jl: A Julia package for scalable normalizing flows
Title（参考訳）: InvertibleNetworks.jl: スケーラブルなフロー正規化のためのJuliaパッケージ
Authors: Rafael Orozco, Philipp Witte, Mathias Louboutin, Ali Siahkoohi, Gabrio Rizzuti, Bas Peters, Felix J. Herrmann
Abstract要約: InvertibleNetworks.jlは、正規化フローのスケーラブルな実装のために設計されたJuliaパッケージである。このパッケージは、正規化フローの固有の可逆性を活用することにより、メモリ効率を向上する。地震イメージング、医療イメージング、CO2モニタリングなど様々な用途に応用されている。
参考スコア（独自算出の注目度）: 0.8576354642891825
License: http://creativecommons.org/licenses/by/4.0/
Abstract: InvertibleNetworks.jl is a Julia package designed for the scalable implementation of normalizing flows, a method for density estimation and sampling in high-dimensional distributions. This package excels in memory efficiency by leveraging the inherent invertibility of normalizing flows, which significantly reduces memory requirements during backpropagation compared to existing normalizing flow packages that rely on automatic differentiation frameworks. InvertibleNetworks.jl has been adapted for diverse applications, including seismic imaging, medical imaging, and CO2 monitoring, demonstrating its effectiveness in learning high-dimensional distributions.
Abstract（参考訳）: InvertibleNetworks.jlは、高次元分布における密度推定とサンプリングの方法である正規化フローのスケーラブルな実装のために設計されたJuliaパッケージである。このパッケージは、正規化フローの固有の可逆性を活用することにより、メモリ効率を向上し、自動微分フレームワークに依存する既存の正規化フローパッケージと比較して、バックプロパゲーション時のメモリ要求を大幅に削減する。 invertiblenetworks.jlは地震イメージング、医用イメージング、co2モニタリングなど様々な応用に応用され、高次元分布の学習にその効果を示している。

関連論文リスト

Quantum Normalizing Flows for Anomaly Detection [23.262276593120305]
量子アーキテクチャのための正規化フローを導入し、そのようなフローをモデル化し最適化する方法を説明し、サンプルデータセット上でメソッドを評価する。提案モデルでは,従来の手法と比較して,異常検出の競合性能を示す。実験では, 森林の隔離, 局所降水率 (LOF) , 単一クラスSVMとの比較を行った。
論文参考訳（メタデータ） (2024-02-05T10:28:20Z)
Arbitrary Distributions Mapping via SyMOT-Flow: A Flow-based Approach Integrating Maximum Mean Discrepancy and Optimal Transport [2.7309692684728617]
本稿では,2つの未知分布からの標本間の対称最大平均誤差を最小化することにより,可逆変換を訓練するSyMOT-Flowと呼ばれる新しいモデルを提案する。結果として得られる変換はより安定で正確なサンプル生成をもたらす。
論文参考訳（メタデータ） (2023-08-26T08:39:16Z)
Non-Separable Multi-Dimensional Network Flows for Visual Computing [62.50191141358778]
本研究では,非分離型多次元ネットワークフローに対する新しい定式化法を提案する。フローは次元ごとに定義されるので、最大化フローは自動的に最適な特徴次元を選択する。概念実証として,マルチオブジェクト追跡問題にフォーマリズムを適用し,ノイズに対するロバスト性の観点からMOT16ベンチマークのスカラー定式化よりも優れていることを示す。
論文参考訳（メタデータ） (2023-05-15T13:21:44Z)
Normalizing flow neural networks by JKO scheme [22.320632565424745]
我々はJKO-iFlowと呼ばれるニューラルネットワークを開発し、Jordan-Kinderleherer-Ottoスキームに触発された。提案手法は,残余ブロックを次々と積み重ねることにより,残余ブロックの効率的なブロックワイズ訓練を可能にする。合成および実データを用いた実験により,提案したJKO-iFlowネットワークが競合性能を発揮することが示された。
論文参考訳（メタデータ） (2022-12-29T18:55:00Z)
Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文参考訳（メタデータ） (2022-02-23T06:11:49Z)
Finding the Task-Optimal Low-Bit Sub-Distribution in Deep Neural Networks [10.278350434623107]
量子ニューラルネットワークは通常、メモリフットプリントを小さくし、計算の複雑さを小さくする必要がある。本稿では,モデルに固有の最適潜伏部分分布を学習するための適応行列量子化法を提案する。近代建築における画像分類と物体検出実験は,提案手法の有効性,一般化性,伝達性を示す。
論文参考訳（メタデータ） (2021-12-30T17:28:11Z)
Distribution Mismatch Correction for Improved Robustness in Deep Neural Networks [86.42889611784855]
正規化法はノイズや入力の腐敗に関して脆弱性を増大させる本稿では,各層の活性化分布に適応する非教師なし非パラメトリック分布補正法を提案する。実験により,提案手法は画像劣化の激しい影響を効果的に低減することを示した。
論文参考訳（メタデータ） (2021-10-05T11:36:25Z)
Achieving Efficiency in Black Box Simulation of Distribution Tails with Self-structuring Importance Samplers [1.6114012813668934]
本稿では,線形プログラムや整数線形プログラム,ピースワイド線形・二次目的,ディープニューラルネットワークで指定された特徴マップなど,多種多様なツールでモデル化されたパフォーマンス指標の分布を推定する,新しいImportance Smpling(IS)方式を提案する。
論文参考訳（メタデータ） (2021-02-14T03:37:22Z)
Self Normalizing Flows [65.73510214694987]
本稿では,各層における学習された近似逆数により,勾配の高価な項を置き換えることで,フローの正規化を訓練するための柔軟なフレームワークを提案する。これにより、各レイヤの正確な更新の計算複雑性が$mathcalO(D3)$から$mathcalO(D2)$に削減される。実験により,これらのモデルは非常に安定であり,正確な勾配値と類似したデータ可能性値に最適化可能であることが示された。
論文参考訳（メタデータ） (2020-11-14T09:51:51Z)
Stochastic batch size for adaptive regularization in deep network optimization [63.68104397173262]
ディープラーニングフレームワークにおける機械学習問題に適用可能な適応正規化を取り入れた一階最適化アルゴリズムを提案する。一般的なベンチマークデータセットに適用した従来のネットワークモデルに基づく画像分類タスクを用いて,提案アルゴリズムの有効性を実証的に実証した。
論文参考訳（メタデータ） (2020-04-14T07:54:53Z)
Semi-Supervised Learning with Normalizing Flows [54.376602201489995]
FlowGMMは、フローの正規化を伴う生成半教師付き学習におけるエンドツーエンドのアプローチである。我々は AG-News や Yahoo Answers のテキストデータなど,幅広いアプリケーションに対して有望な結果を示す。
論文参考訳（メタデータ） (2019-12-30T17:36:33Z)

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。