Fugu-MT 論文翻訳(概要): Multitask Extension of Geometrically Aligned Transfer Encoder

論文の概要: Multitask Extension of Geometrically Aligned Transfer Encoder

arxiv url: http://arxiv.org/abs/2405.01974v1
Date: Fri, 3 May 2024 09:57:44 GMT
ステータス: 処理完了
システム内更新日: 2024-05-06 13:15:51.340037
Title: Multitask Extension of Geometrically Aligned Transfer Encoder
Title（参考訳）: 幾何配向トランスファーエンコーダのマルチタスク拡張
Authors: Sung Moon Ko, Sumin Lee, Dae-Woong Jeong, Hyunseung Kim, Chanhui Lee, Soorin Yim, Sehui Han,
Abstract要約: この問題に対処するために、分子データの異なるタスク間での相互情報を活用する。我々は、曲面座標を局所的に平坦な座標に整列させることにより、複数の分子タスクを接続し、ソースタスクからの情報の流れを保証し、ターゲットデータのパフォーマンスを支援する。
参考スコア（独自算出の注目度）: 4.220885199861056
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Molecular datasets often suffer from a lack of data. It is well-known that gathering data is difficult due to the complexity of experimentation or simulation involved. Here, we leverage mutual information across different tasks in molecular data to address this issue. We extend an algorithm that utilizes the geometric characteristics of the encoding space, known as the Geometrically Aligned Transfer Encoder (GATE), to a multi-task setup. Thus, we connect multiple molecular tasks by aligning the curved coordinates onto locally flat coordinates, ensuring the flow of information from source tasks to support performance on target data.
Abstract（参考訳）: 分子データセットは、しばしばデータの欠如に悩まされる。実験やシミュレーションの複雑さのため、データの収集が難しいことはよく知られている。ここでは、分子データの異なるタスク間での相互情報を活用し、この問題に対処する。本稿では,GATE(Geometrically Aligned Transfer Encoder)と呼ばれる符号化空間の幾何学的特性をマルチタスクに拡張するアルゴリズムを提案する。したがって、曲面座標を局所的に平坦な座標に整列させることにより、複数の分子タスクを接続し、ソースタスクからの情報の流れを確実にすることで、ターゲットデータの性能を向上する。

関連論文リスト

Manifold Learning via Foliations and Knowledge Transfer [0.0]
分類器として訓練された深部ReLUニューラルネットワークを用いたデータ空間上の自然な幾何学的構造を提供する。そのような葉の特異点が測度ゼロ集合に含まれており、局所正則葉は至る所に存在することを示す。実験により、データは葉の葉と相関していることが示された。
論文参考訳（メタデータ） (2024-09-11T16:53:53Z)
GeoMix: Towards Geometry-Aware Data Augmentation [76.09914619612812]
Mixupは画像分類におけるラベル付き限られたデータによる課題の緩和にかなりの成功を収めている。 In-place graph editing を利用した簡易かつ解釈可能な混合手法 Geometric Mixup (GeoMix) を提案する。
論文参考訳（メタデータ） (2024-07-15T12:58:04Z)
Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文参考訳（メタデータ） (2023-11-29T12:48:33Z)
Geometrically Aligned Transfer Encoder for Inductive Transfer in Regression Tasks [5.038936775643437]
微分幾何学に基づく新しい移動法,すなわち幾何学的配向変換(GATE)を提案する。すべての任意の点が重なり合う領域の局所平坦な座標に写像されることを保証するために、タスクのペア間の適切な微分同相性を見つけ、ソースからターゲットデータへの知識の伝達を可能にする。 GATEは従来の手法より優れ、様々な分子グラフデータセットの潜伏空間と外挿領域の両方で安定した振る舞いを示す。
論文参考訳（メタデータ） (2023-10-10T07:11:25Z)
PolarMOT: How Far Can Geometric Relations Take Us in 3D Multi-Object Tracking? [62.997667081978825]
グラフのノードとして3D検出を符号化し、グラフエッジ上の局所極座標を用いてオブジェクト間の空間的および時間的対関係を符号化する。これにより、グラフニューラルネットワークは、時間的および空間的相互作用を効果的に符号化することができる。我々はnuScenesデータセット上に新しい最先端のデータセットを構築し、さらに重要なことに、私たちの手法であるPolarMOTが、異なる場所にわたって驚くほどよく一般化されていることを示す。
論文参考訳（メタデータ） (2022-08-03T10:06:56Z)
Geometry-Contrastive Transformer for Generalized 3D Pose Transfer [95.56457218144983]
この研究の直感は、与えられたメッシュ間の幾何学的不整合を強力な自己認識機構で知覚することである。本研究では,グローバルな幾何学的不整合に対する3次元構造的知覚能力を有する新しい幾何学コントラスト変換器を提案する。本稿では, クロスデータセット3次元ポーズ伝達タスクのための半合成データセットとともに, 潜時等尺正則化モジュールを提案する。
論文参考訳（メタデータ） (2021-12-14T13:14:24Z)
Time Varying Particle Data Feature Extraction and Tracking with Neural Networks [20.825102707056647]
我々は, 特徴抽出と追跡を支援するために, 科学的粒子データのための特徴表現を作成するために, 深層学習アプローチを採用する。本研究では,局所近傍における空間的位置と物理的属性の関係を表現するために,潜在ベクトルを生成する深層学習モデルを用いる。高速な特徴追跡を実現するために,特徴空間に平均シフト追跡アルゴリズムを適用した。
論文参考訳（メタデータ） (2021-05-27T15:38:14Z)
Sketch and Scale: Geo-distributed tSNE and UMAP [75.44887265789056]
地理的に分散したデータセット上で機械学習分析を実行することは、急速に発生する問題である。私たちはSketch and Scale(SnS)という新しいフレームワークを紹介します。これはCount Sketchデータ構造を利用して、エッジノード上のデータを圧縮し、マスターノード上の縮小サイズスケッチを集約し、サマリ上でバニラtSNEまたはUMAPを実行する。我々は、この技術が完全に並列で、線形に時間にスケールし、メモリに対数的に分散し、通信し、世界中の複数のデータセンターにまたがる数百万、数十億のデータポイントでデータセットを解析できることを示す。
論文参考訳（メタデータ） (2020-11-11T22:32:21Z)
An Information-Geometric Distance on the Space of Tasks [31.359578768463752]
本稿では,データとラベルの共分散としてモデル化された学習課題間の距離を規定する。そこで,本研究では,対象タスクのデータに対する残差を反復的に伝達する距離を計算するアルゴリズムを開発した。様々な画像分類データセットに対して徹底的な実証検証と解析を行い、結合転送距離が微調整の難しさと強く相関していることを示す。
論文参考訳（メタデータ） (2020-11-01T19:48:39Z)
Encoded Prior Sliced Wasserstein AutoEncoder for learning latent manifold representations [0.7614628596146599]
本稿では,Encoded Prior Sliced Wasserstein AutoEncoderを紹介する。追加のプリエンコーダネットワークは、データ多様体の埋め込みを学習する。従来のオートエンコーダとは違って,前者はデータの基盤となる幾何を符号化する。
論文参考訳（メタデータ） (2020-10-02T14:58:54Z)
Graph Signal Processing for Geometric Data and Beyond: Theory and Applications [55.81966207837108]
グラフ信号処理(GSP)は、不規則な領域に存在する処理信号を可能にする。 GSP法は、幾何データとグラフの接続をブリッジすることで、統一的に幾何データに対する手法である。最近開発されたグラフニューラルネットワーク(GNN)は、GSPの観点からこれらのネットワークの動作を解釈している。
論文参考訳（メタデータ） (2020-08-05T03:20:16Z)

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。