論文の概要: Identification of Novel Modes in Generative Models via Fourier-based Differential Clustering

• arxiv url: http://arxiv.org/abs/2405.02700v2
• Date: Fri, 5 Jul 2024 03:11:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 23:04:18.207794
• Title: Identification of Novel Modes in Generative Models via Fourier-based Differential Clustering
• Title（参考訳）: フーリエに基づく微分クラスタリングによる生成モデルにおける新しいモードの同定
• Authors: Jingwei Zhang, Mohammad Jalali, Cheuk Ting Li, Farzan Farnia,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 33.22153760327227
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: An interpretable comparison of generative models requires the identification of sample types produced more frequently by each of the involved models. While several quantitative scores have been proposed in the literature to rank different generative models, such score-based evaluations do not reveal the nuanced differences between the generative models in capturing various sample types. In this work, we attempt to solve a differential clustering problem to detect sample types expressed differently by two generative models. To solve the differential clustering problem, we propose a method called Fourier-based Identification of Novel Clusters (FINC) to identify modes produced by a generative model with a higher frequency in comparison to a reference distribution. FINC provides a scalable stochastic algorithm based on random Fourier features to estimate the eigenspace of kernel covariance matrices of two generative models and utilize the principal eigendirections to detect the sample types present more dominantly in each model. We demonstrate the application of the FINC method to large-scale computer vision datasets and generative model frameworks. Our numerical results suggest the scalability of the developed Fourier-based method in highlighting the sample types produced with different frequencies by widely-used generative models. Code is available at \url{https://github.com/buyeah1109/FINC}
• Abstract（参考訳）: 生成モデルの解釈可能な比較では、関連する各モデルによってより頻繁に生成されるサンプルの型を特定する必要がある。 異なる生成モデルをランク付けするために、文献でいくつかの定量的スコアが提案されているが、このようなスコアに基づく評価は、様々なサンプルタイプの取得において、生成モデル間の微妙な違いを明らかにしていない。 本研究では,差分クラスタリング問題を解き,2つの生成モデルで表されるサンプルタイプを別々に検出する。 差分クラスタリング問題を解くために,Fourier-based Identification of Novel Clusters (FINC) という手法を提案する。 FINCは、ランダムなフーリエ特徴に基づくスケーラブルな確率的アルゴリズムを提供し、2つの生成モデルのカーネル共分散行列の固有空間を推定し、主固有方向を利用して、各モデルにより支配的なサンプル型を検出する。 FINC法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。 提案手法は, 広範に使用されている生成モデルを用いて, 異なる周波数で生成したサンプルタイプを強調表示するために, 開発したフーリエ方式のスケーラビリティを示唆する。 コードは \url{https://github.com/buyeah1109/FINC} で入手できる。

関連論文リスト

• An Interpretable Evaluation of Entropy-based Novelty of Generative Models [36.29214321258605]
  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。
  論文  参考訳（メタデータ） (2024-02-27T08:00:52Z)
• Finite Mixtures of Multivariate Poisson-Log Normal Factor Analyzers for Clustering Count Data [0.8499685241219366]
  因子分析モデルの混合に基づく8種類の擬似混合モデルについて紹介する。 提案モデルはRNAシークエンシング研究から得られた離散的なデータをクラスタリングする文脈において探索される。
  論文  参考訳（メタデータ） (2023-11-13T21:23:15Z)
• Diverse Counterfactual Explanations for Anomaly Detection in Time Series [26.88575131193757]
  本稿では,時系列異常検出モデルに対する反実的アンサンブル説明を生成するモデル非依存アルゴリズムを提案する。 本手法は, 検出モデルでは異常とはみなされない, 元の時系列の複数バージョンを, 多様な逆実例として生成する。 我々のアルゴリズムは、任意の識別可能な異常検出モデルに適用できる。
  論文  参考訳（メタデータ） (2022-03-21T16:30:34Z)
• Oops I Took A Gradient: Scalable Sampling for Discrete Distributions [53.3142984019796]
  このアプローチは、多くの困難な設定において、ジェネリックサンプリングよりも優れていることを示す。 また,高次元離散データを用いた深部エネルギーモデルトレーニングのための改良型サンプリング器についても実演した。
  論文  参考訳（メタデータ） (2021-02-08T20:08:50Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• 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)
• 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)
• Ensemble Forecasting of Monthly Electricity Demand using Pattern Similarity-based Methods [0.0]
  パターン類似性に基づく予測手法(PSFM)を用いた月次電力需要のアンサンブル予測について述べる。 本研究で適用されたPSFMには、$k$-nearest 近傍モデル、ファジィ近傍モデル、カーネル回帰モデル、一般回帰ニューラルネットワークなどがある。 実験的なイラストは、ヨーロッパの35か国における月次電力需要予測と比較するために、アンサンブルモデルと個々のPSFMを適用している。
  論文  参考訳（メタデータ） (2020-03-29T17:26:58Z)
• Learning Gaussian Graphical Models via Multiplicative Weights [54.252053139374205]
  乗算重み更新法に基づいて,Klivans と Meka のアルゴリズムを適用した。 アルゴリズムは、文献の他のものと質的に類似したサンプル複雑性境界を楽しみます。 ランタイムが低い$O(mp2)$で、$m$サンプルと$p$ノードの場合には、簡単にオンライン形式で実装できる。
  論文  参考訳（メタデータ） (2020-02-20T10:50:58Z)
• Blocked Clusterwise Regression [0.0]
  我々は、各ユニットが複数の潜伏変数を持つことを可能にすることで、離散的非観測的不均一性に対する以前のアプローチを一般化する。 我々は,クラスタの過剰な数のクラスタリングの理論に寄与し,この設定に対する新たな収束率を導出する。
  論文  参考訳（メタデータ） (2020-01-29T23:29:31Z)

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。