論文の概要: An Interpretable Evaluation of Entropy-based Novelty of Generative Models

• arxiv url: http://arxiv.org/abs/2402.17287v2
• Date: Fri, 14 Jun 2024 01:37:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-17 19:02:29.819704
• Title: An Interpretable Evaluation of Entropy-based Novelty of Generative Models
• Title（参考訳）: 生成モデルのエントロピーに基づく新規性の解釈可能な評価
• Authors: Jingwei Zhang, Cheuk Ting Li, Farzan Farnia,
• Abstract要約: 生成モデルのモードベースノベルティを定量化するために,カーネルベースのエントロピーノベルティ(KEN)スコアを提案する。 合成および実画像データセットの数値計算結果から,新しいモードの検出におけるフレームワークの有効性を示す。
• 参考スコア（独自算出の注目度）: 36.29214321258605
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The massive developments of generative model frameworks require principled methods for the evaluation of a model's novelty compared to a reference dataset. While the literature has extensively studied the evaluation of the quality, diversity, and generalizability of generative models, the assessment of a model's novelty compared to a reference model has not been adequately explored in the machine learning community. In this work, we focus on the novelty assessment for multi-modal distributions and attempt to address the following differential clustering task: Given samples of a generative model $P_\mathcal{G}$ and a reference model $P_\mathrm{ref}$, how can we discover the sample types expressed by $P_\mathcal{G}$ more frequently than in $P_\mathrm{ref}$? We introduce a spectral approach to the differential clustering task and propose the Kernel-based Entropic Novelty (KEN) score to quantify the mode-based novelty of $P_\mathcal{G}$ with respect to $P_\mathrm{ref}$. We analyze the KEN score for mixture distributions with well-separable components and develop a kernel-based method to compute the KEN score from empirical data. We support the KEN framework by presenting numerical results on synthetic and real image datasets, indicating the framework's effectiveness in detecting novel modes and comparing generative models. The paper's code is available at: www.github.com/buyeah1109/KEN
• Abstract（参考訳）: 生成モデルフレームワークの大規模開発には、参照データセットと比較してモデルの新規性を評価するための原則的手法が必要である。 文献は, 生成モデルの品質, 多様性, 一般化性の評価を幅広く研究してきたが, 参照モデルと比較して, モデルの新規性を評価することは, 機械学習コミュニティでは十分に研究されていない。 生成モデル$P_\mathcal{G}$と参照モデル$P_\mathrm{ref}$のサンプルが与えられたら、どのようにして$P_\mathcal{G}$で表されるサンプル型を$P_\mathrm{ref}$よりも頻繁に見つけることができるのか? 本稿では、差分クラスタリングタスクに対するスペクトル的アプローチを導入し、KENスコア(Kernel-based Entropic Novelty)を提案し、$P_\mathcal{G}$のモードベースのノベルティを、$P_\mathrm{ref}$に対して定量化する。 そこで本研究では,KEN スコアをよく分離可能な成分との混合分布に対して解析し,実測データからKEN スコアを計算するカーネルベースの手法を開発した。 我々は、合成および実画像データセットに数値的な結果を提示し、新しいモードの検出と生成モデルの比較におけるフレームワークの有効性を示すことにより、KENフレームワークを支援した。 論文のコードは、www.github.com/buyeah1109/KENで公開されている。

関連論文リスト

• Towards a Scalable Reference-Free Evaluation of Generative Models [9.322073391374039]
  本稿では、VENDIとRKEのエントロピースコアを推定するためのカーネルエントロピー近似(FKEA)法を提案する。 我々は、FKEAの数値性能を、標準画像、テキスト、ビデオデータセットに適用して広範囲に評価する。 実験結果から,大規模生成モデルに適用する手法のスケーラビリティと解釈可能性を示す。
  論文  参考訳（メタデータ） (2024-07-03T09:54:58Z)
• Identification of Novel Modes in Generative Models via Fourier-based Differential Clustering [33.22153760327227]
  本稿では,Fourier-based Identification of Novel Clusters (FINC) という手法を提案する。 FINCの大規模コンピュータビジョンデータセットおよび生成モデルフレームワークへの応用を実証する。
  論文  参考訳（メタデータ） (2024-05-04T16:06:50Z)
• Representer Point Selection for Explaining Regularized High-dimensional Models [105.75758452952357]
  本稿では,高次元表現器と呼ぶサンプルベース説明のクラスを紹介する。 私たちのワークホースは、一般化された高次元モデルに対する新しい代表者定理である。 提案手法の実証的性能について,実世界の2進分類データセットと2つの推薦システムデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2023-05-31T16:23:58Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Sparsely constrained neural networks for model discovery of PDEs [0.0]
  本稿では,任意のスパース回帰手法を用いて,ディープラーニングに基づくサロゲートのスパースパターンを決定するモジュラーフレームワークを提案する。 異なるネットワークアーキテクチャと疎度推定器がモデル発見精度と収束性を,いくつかのベンチマーク例でどのように改善するかを示す。
  論文  参考訳（メタデータ） (2020-11-09T11:02:40Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [55.28436972267793]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。