Fugu-MT 論文翻訳(概要): Landmark Alternating Diffusion

論文の概要: Landmark Alternating Diffusion

arxiv url: http://arxiv.org/abs/2404.19649v1
Date: Mon, 29 Apr 2024 04:53:20 GMT
ステータス: 処理完了
システム内更新日: 2024-05-01 13:46:04.913280
Title: Landmark Alternating Diffusion
Title（参考訳）: Landmark Alternating Diffusion
Authors: Sing-Yuan Yeh, Hau-Tieng Wu, Ronen Talmon, Mao-Pei Tsui,
Abstract要約: Alternating Diffusion (AD) は拡散に基づくセンサ融合アルゴリズムである。我々はランドマークAD(Landmark AD, LAD)と呼ばれるADの変種を提案する。
参考スコア（独自算出の注目度）: 10.8770972013369
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Alternating Diffusion (AD) is a commonly applied diffusion-based sensor fusion algorithm. While it has been successfully applied to various problems, its computational burden remains a limitation. Inspired by the landmark diffusion idea considered in the Robust and Scalable Embedding via Landmark Diffusion (ROSELAND), we propose a variation of AD, called Landmark AD (LAD), which captures the essence of AD while offering superior computational efficiency. We provide a series of theoretical analyses of LAD under the manifold setup and apply it to the automatic sleep stage annotation problem with two electroencephalogram channels to demonstrate its application.
Abstract（参考訳）: Alternating Diffusion (AD) は拡散に基づくセンサ融合アルゴリズムである。様々な問題に適用できたが、計算上の負担は依然として限界である。ランドマーク拡散(ROSELAND)によるロバストおよびスケーラブル埋め込み(ROSELAND)におけるランドマーク拡散の概念に着想を得て,ランドマークAD(Landmark AD, LAD)と呼ばれるADの変種を提案する。本稿では,2つの脳波チャンネルを用いた自動睡眠ステージアノテーション問題に適用し,その応用例を示す。

関連論文リスト

Controlling Ensemble Variance in Diffusion Models: An Application for Reanalyses Downscaling [0.0]
本研究では,拡散段数を変化させることで,拡散拡散インプリシットモデルがアンサンブルの分散を制御できることを実証する。本研究では,ERA5-to-CERRA領域全体に対するアンサンブル拡散モデルを提案する。
論文参考訳（メタデータ） (2025-01-21T15:02:57Z)
AdjointDEIS: Efficient Gradients for Diffusion Models [2.0795007613453445]
拡散SDEに対する連続随伴方程式は、実際には単純なODEに単純化されていることを示す。また, 顔形態形成問題の形で, 対向攻撃による誘導生成に対するAdjointDEISの有効性を実証した。
論文参考訳（メタデータ） (2024-05-23T19:51:33Z)
Guided Diffusion from Self-Supervised Diffusion Features [49.78673164423208]
ガイダンスは拡散モデルにおいて重要な概念として機能するが、その効果は追加のデータアノテーションや事前学習の必要性によって制限されることが多い。本稿では,拡散モデルからガイダンスを抽出するフレームワークを提案する。
論文参考訳（メタデータ） (2023-12-14T11:19:11Z)
Unsupervised Domain Adaptation via Domain-Adaptive Diffusion [31.802163238282343]
非教師付きドメイン適応(UDA)は、ソースドメインとターゲットドメインの間に大きな分散不一致があるため、非常に難しい。大規模なギャップをまたいでデータ分散を段階的に変換する能力を持つ拡散モデルに着想を得て,その課題に対処する拡散手法について検討する。提案手法は, 広く使用されている3つのUDAデータセットに対して, 現在の最先端技術よりも大きなマージンを達成している。
論文参考訳（メタデータ） (2023-08-26T14:28:18Z)
DiffusionNER: Boundary Diffusion for Named Entity Recognition [70.69102755044663]
DiffusionNERは、エンティティ認識タスクをバウンダリデノナイズ拡散プロセスとして定義する。提案された境界変性拡散過程は、進行的な微細化と物質の動的サンプリングを可能にする。複数のフラットなNERデータセットとネストされたNERデータセットの実験では、DiffusionNERが従来の最先端モデルと同等あるいはそれ以上のパフォーマンスを達成したことが示されている。
論文参考訳（メタデータ） (2023-05-22T17:56:12Z)
Denoising Diffusion Autoencoders are Unified Self-supervised Learners [58.194184241363175]
本稿では,拡散モデルにおけるネットワーク,すなわち拡散オートエンコーダ(DDAE)が,自己教師型学習者の統合であることを示す。 DDAEはすでに、補助エンコーダを使わずに、中間層内で線形分離可能な表現を強く学習している。 CIFAR-10 と Tiny-ImageNet の線形評価精度は95.9% と 50.0% である。
論文参考訳（メタデータ） (2023-03-17T04:20:47Z)
Decomposed Diffusion Sampler for Accelerating Large-Scale Inverse Problems [64.29491112653905]
本稿では, 拡散サンプリング法とクリロフ部分空間法を相乗的に組み合わせた, 新規で効率的な拡散サンプリング手法を提案する。具体的には、ツイーディの公式による分母化標本における接空間がクリロフ部分空間を成すならば、その分母化データによるCGは、接空間におけるデータの整合性更新を確実に維持する。提案手法は,従来の最先端手法よりも80倍以上高速な推論時間を実現する。
論文参考訳（メタデータ） (2023-03-10T07:42:49Z)
Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
論文参考訳（メタデータ） (2022-10-11T15:53:52Z)
A coarse space acceleration of deep-DDM [0.0]
我々は最近提案されたPDEの解法に対するディープ・ダム・アプローチの拡張について述べる。粗い空間補正は、解法の収束の劣化を軽減することができることを示す。実験により,本手法は深部ddm法の顕著な加速を誘導することが示された。
論文参考訳（メタデータ） (2021-12-07T14:41:28Z)
Interpreting diffusion score matching using normalizing flow [22.667661526643265]
拡散スコアマッチング (DSM) は, 正規化フローで評価された元のスコアマッチング (Stein discrepancy) と等価であることを示す。具体的には、DSM(またはDSD)が正規化フローによって定義される変換空間で評価された元のスコアマッチング(またはスタイン差分)と等価であることを示す。
論文参考訳（メタデータ） (2021-07-21T13:27:32Z)
Diffusion Earth Mover's Distance and Distribution Embeddings [61.49248071384122]
拡散は$tildeo(n)$ timeで計算でき、ツリーベースのような同様の高速アルゴリズムよりも正確である。拡散は完全微分可能であり、深層ニューラルネットワークのような勾配拡散フレームワークの将来の使用に適している。
論文参考訳（メタデータ） (2021-02-25T13:18:32Z)

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。