論文の概要: A Generative Model of Symmetry Transformations
- arxiv url: http://arxiv.org/abs/2403.01946v1
- Date: Mon, 4 Mar 2024 11:32:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 19:10:44.213468
- Title: A Generative Model of Symmetry Transformations
- Title(参考訳): 対称性変換の生成モデル
- Authors: James Urquhart Allingham, Bruno Kacper Mlodozeniec, Shreyas Padhy,
Javier Antor\'an, David Krueger, Richard E. Turner, Eric Nalisnick and Jos\'e
Miguel Hern\'andez-Lobato
- Abstract要約: 我々は,データ中の対称性を捉えることを目的とした生成モデルを構築し,解釈可能な方法でどの対称性が存在するかを学習するモデルを構築した。
- 参考スコア(独自算出の注目度): 20.988372904406987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Correctly capturing the symmetry transformations of data can lead to
efficient models with strong generalization capabilities, though methods
incorporating symmetries often require prior knowledge. While recent
advancements have been made in learning those symmetries directly from the
dataset, most of this work has focused on the discriminative setting. In this
paper, we construct a generative model that explicitly aims to capture
symmetries in the data, resulting in a model that learns which symmetries are
present in an interpretable way. We provide a simple algorithm for efficiently
learning our generative model and demonstrate its ability to capture symmetries
under affine and color transformations. Combining our symmetry model with
existing generative models results in higher marginal test-log-likelihoods and
robustness to data sparsification.
- Abstract(参考訳): データの対称性変換を正しく捉えることは、強力な一般化能力を持つ効率的なモデルに繋がるが、対称性を組み込んだメソッドは、しばしば事前の知識を必要とする。
最近の進歩はデータセットから直接これらの対称性を学ぶことにあるが、この研究の大部分は差別的な設定に焦点を当てている。
本稿では,データ中の対称性を明示的に捉えることを目的とした生成モデルを構築し,解釈可能な方法でどの対称性が存在するかを学習する。
生成モデルを効率的に学習する簡単なアルゴリズムを提供し,アフィンおよび色変換下での対称性の把握能力を示す。
我々の対称性モデルと既存の生成モデルの組み合わせは、より限界的なテストログライクさとデータのスパース化に対する堅牢性をもたらす。
関連論文リスト
- Learning Layer-wise Equivariances Automatically using Gradients [66.81218780702125]
畳み込みは等価対称性をニューラルネットワークにエンコードし、より優れた一般化性能をもたらす。
対称性は、ネットワークが表現できる機能、事前に指定する必要、適応できない機能に対して、固定されたハード制約を提供する。
私たちのゴールは、勾配を使ってデータから自動的に学習できるフレキシブル対称性の制約を可能にすることです。
論文 参考訳(メタデータ) (2023-10-09T20:22:43Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳(メタデータ) (2023-07-11T16:51:38Z) - Regularizing Towards Soft Equivariance Under Mixed Symmetries [23.603875905608565]
混合近似対称性を持つデータセットのモデルを構築するための正規化器に基づく手法を提案する。
提案手法は,近似対称性のレベルを正確に発見しながら,従来の手法よりも精度が高いことを示す。
論文 参考訳(メタデータ) (2023-06-01T05:33:41Z) - Approximation-Generalization Trade-offs under (Approximate) Group
Equivariance [3.0458514384586395]
グループ同変ニューラルネットワークは、タンパク質や薬物の設計など、様々な分野や応用において印象的な性能を示している。
タスク固有の対称性を捉えるモデルが一般化にどう貢献するかを示す。
モデル対称性がデータ対称性と一致しない場合のモデルミス特定に関するより一般的な問題について検討する。
論文 参考訳(メタデータ) (2023-05-27T22:53:37Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳(メタデータ) (2023-04-28T21:48:31Z) - Data-driven reduced-order modelling for blood flow simulations with
geometry-informed snapshots [0.0]
類似しているが異なる領域における血流シミュレーションの効率的な予測法として,データ駆動サロゲートモデルを提案する。
幾何パラメータに対する非侵入的還元次数モデルが適切な分解を用いて構築される。
ラジアル基底関数補間器は、縮小順序モデルの縮小係数を予測するために訓練される。
論文 参考訳(メタデータ) (2023-02-21T21:18:17Z) - Oracle-Preserving Latent Flows [58.720142291102135]
我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。
対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。
この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
論文 参考訳(メタデータ) (2023-02-02T00:13:32Z) - The Surprising Effectiveness of Equivariant Models in Domains with
Latent Symmetry [6.716931832076628]
領域対称性と正確に一致しない対称性制約を課すことは、環境における真の対称性を学ぶのに非常に有用であることを示す。
ロボット操作・制御問題における教師付き学習と強化学習の両方において,同変モデルが潜在対称性を持つ領域における非同変手法を大幅に上回ることを示す。
論文 参考訳(メタデータ) (2022-11-16T21:51:55Z) - Learning Equivariant Energy Based Models with Equivariant Stein
Variational Gradient Descent [80.73580820014242]
本稿では,確率モデルに対称性を組み込むことにより,確率密度の効率的なサンプリングと学習の問題に焦点をあてる。
まず、等変シュタイン変分勾配Descentアルゴリズムを導入する。これは、対称性を持つ密度からサンプリングするスタインの同一性に基づく同変サンプリング法である。
我々はエネルギーベースモデルのトレーニングを改善し、スケールアップする新しい方法を提案する。
論文 参考訳(メタデータ) (2021-06-15T01:35:17Z) - Autoregressive Asymmetric Linear Gaussian Hidden Markov Models [1.332091725929965]
非対称隠れマルコフモデルは、プロセスのトレンドを潜在変数として表現できるフレームワークを提供する。
提案モデルに適合するために,推論,隠蔽状態の復号化,パラメータ学習をいかに適応させるかを示す。
論文 参考訳(メタデータ) (2020-10-27T08:58:46Z) - Inverse Learning of Symmetries [71.62109774068064]
2つの潜在部分空間からなるモデルで対称性変換を学ぶ。
我々のアプローチは、情報ボトルネックと連続的な相互情報正規化器の組み合わせに基づいています。
我々のモデルは, 人工的および分子的データセットにおける最先端の手法より優れている。
論文 参考訳(メタデータ) (2020-02-07T13:48:52Z)
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。