論文の概要: Quantifying Manifolds: Do the manifolds learned by Generative Adversarial Networks converge to the real data manifold

• arxiv url: http://arxiv.org/abs/2403.05033v1
• Date: Fri, 8 Mar 2024 04:23:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-11 21:09:06.860972
• Title: Quantifying Manifolds: Do the manifolds learned by Generative Adversarial Networks converge to the real data manifold
• Title（参考訳）: 量子化多様体:生成逆ネットワークによって学習される多様体は実データ多様体に収束するか
• Authors: Anupam Chaudhuri, Anj Simmons, Mohamed Abdelrazek
• Abstract要約: MLモデルにより学習された固有多様体の次元と位相的特徴、モデルのトレーニングを続けるにつれてこれらの指標がどのように変化するか、そしてこれらの指標が実データ多様体のメトリクスにトレーニングの過程で収束するかを考察する。
• 参考スコア（独自算出の注目度）: 1.9186271764628762
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents our experiments to quantify the manifolds learned by ML models (in our experiment, we use a GAN model) as they train. We compare the manifolds learned at each epoch to the real manifolds representing the real data. To quantify a manifold, we study the intrinsic dimensions and topological features of the manifold learned by the ML model, how these metrics change as we continue to train the model, and whether these metrics convergence over the course of training to the metrics of the real data manifold.
• Abstract（参考訳）: 本稿では,MLモデルによって学習された多様体(GANモデルを用いた実験)を学習時に定量化する実験について述べる。 各時代で学んだ多様体を実データを表す実多様体と比較する。 多様体を定量化するために、MLモデルによって学習された多様体の内在次元と位相的特徴、モデルのトレーニングを続けるにつれてこれらの指標がどのように変化するか、そしてこれらの指標が実データ多様体の計量にトレーニングの過程で収束するかを検討する。

関連論文リスト

• Understanding the Local Geometry of Generative Model Manifolds [14.191548577311904]
  学習多様体のテクスト局所幾何学と下流生成の関係について検討する。 所与の潜伏者に対して、局所記述子は世代美学、アーティファクト、不確実性、暗記などと相関していることを示す定量的かつ定性的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-08-15T17:59:06Z)
• 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 [57.396578974401734]
  一般多様体上に生成拡散過程を構築するための原理的枠組みを導入する。 従来の拡散モデルの認知的アプローチに従う代わりに、橋梁プロセスの混合を用いて拡散過程を構築する。 混合過程を幾何学的に理解し,データ点への接する方向の重み付け平均としてドリフトを導出する。
  論文  参考訳（メタデータ） (2023-10-11T06:04:40Z)
• Convolutional Filtering on Sampled Manifolds [122.06927400759021]
  サンプル多様体上の畳み込みフィルタリングは連続多様体フィルタリングに収束することを示す。 本研究は,ナビゲーション制御の問題点を実証的に明らかにした。
  論文  参考訳（メタデータ） (2022-11-20T19:09:50Z)
• The Manifold Scattering Transform for High-Dimensional Point Cloud Data [16.500568323161563]
  本稿では,自然システムにおけるデータセットへの多様体散乱変換の実装のための実践的スキームを提案する。 本手法は信号の分類や多様体の分類に有効であることを示す。
  論文  参考訳（メタデータ） (2022-06-21T02:15:00Z)
• Riemannian Score-Based Generative Modeling [56.20669989459281]
  経験的性能を示すスコアベース生成モデル(SGM)を紹介する。 現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。 これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
  論文  参考訳（メタデータ） (2022-02-06T11:57:39Z)
• Equivariant Manifold Flows [48.21296508399746]
  等変多様体フローを通じて任意の多様体上の対称性不変分布を学習するための理論的基礎を置く。 量子場理論の文脈で、SU(n)$以上のゲージ不変密度を学習するためにこの手法の実用性を実証する。
  論文  参考訳（メタデータ） (2021-07-19T03:04:44Z)
• Multi-chart flows [0.0]
  本稿では,非自明な位相的非自明な多様体演算を同時に学習するフローベースモデルを提案する。 我々のモデルは、学習された座標チャートの集合を通して、局所多様体トポロジーを「グルー」することで断片的に学習する。 我々は,現在の最先端技術に対して,より優れたサンプル効率,競争力,あるいは優れた性能を示す。
  論文  参考訳（メタデータ） (2021-06-07T10:37:06Z)
• Flow-based Generative Models for Learning Manifold to Manifold Mappings [39.60406116984869]
  本稿では,フローベース生成モデルに類似した,多様体値データに対する可逆層を3種類導入する。 配向分布関数の分野の脳画像を確実にかつ正確に再構築できる有望な結果を示します。
  論文  参考訳（メタデータ） (2020-12-18T02:19:18Z)
• Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
  本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。 複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
  論文  参考訳（メタデータ） (2020-06-05T20:54:11Z)
• Flows for simultaneous manifold learning and density estimation [12.451050883955071]
  多様体学習フロー(M-flow)は、多様体構造を持つデータセットをより忠実に表現する。 M-フローはデータ多様体を学習し、周囲のデータ空間の標準フローよりも優れた推論を可能にする。
  論文  参考訳（メタデータ） (2020-03-31T02:07:48Z)

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。