Fugu-MT 論文翻訳(概要): Representation learning with CGAN for casual inference

論文の概要: Representation learning with CGAN for casual inference

arxiv url: http://arxiv.org/abs/2407.02825v1
Date: Wed, 3 Jul 2024 05:51:57 GMT
ステータス: 処理完了
システム内更新日: 2024-07-04 15:35:05.827692
Title: Representation learning with CGAN for casual inference
Title（参考訳）: カジュアル推論のためのCGANを用いた表現学習
Authors: Zhaotian Weng, Jianbo Hong, Lan Wang,
Abstract要約: 因果推論のためのCGANを用いた条件表現学習についてはほとんど研究されていない。本稿では,敵対的アイデアを取り入れた表現学習関数の探索手法を提案する。
参考スコア（独自算出の注目度）: 13.458216555034259
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Conditional Generative Adversarial Nets (CGAN) is often used to improve conditional image generation performance. However, there is little research on Representation learning with CGAN for causal inference. This paper proposes a new method for finding representation learning functions by adopting the adversarial idea. We apply the pattern of CGAN and theoretically emonstrate the feasibility of finding a suitable representation function in the context of two distributions being balanced. The theoretical result shows that when two distributions are balanced, the ideal representation function can be found and thus can be used to further research.
Abstract（参考訳）: Conditional Generative Adversarial Nets (CGAN) は、条件付き画像生成性能を改善するためにしばしば使用される。しかし,因果推論のためのCGANを用いた表現学習についてはほとんど研究されていない。本稿では,敵対的アイデアを取り入れた表現学習関数の探索手法を提案する。 CGANのパターンを適用し、2つの分布のバランスが取れている状況において、適切な表現関数を見つける可能性について理論的に実証する。理論的な結果は、2つの分布が平衡であるとき、理想表現関数が見出され、従ってさらなる研究に利用できることを示している。

関連論文リスト

Learning Disentangled Discrete Representations [22.5004558029479]
本稿では,標準ガウス変分オートエンコーダをカテゴリー変分オートエンコーダに置き換えることで,離散潜在空間と非交分表現の関係を示す。本研究では,非絡み合った表現を学習する上で,個別のVAEの利点を示す分析的および実証的な知見を提供する。
論文参考訳（メタデータ） (2023-07-26T12:29:58Z)
Synergies between Disentanglement and Sparsity: Generalization and Identifiability in Multi-Task Learning [79.83792914684985]
我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
論文参考訳（メタデータ） (2022-11-26T21:02:09Z)
Unsupervised Learning of Structured Representations via Closed-Loop Transcription [21.78655495464155]
本稿では,識別目的と生成目的の両方を兼ね備えた統一表現を学習するための教師なし手法を提案する。統一表現は、両方を持つことの相互利益を享受できることが示される。これらの構造化された表現は、最先端の教師なし識別表現に近い分類を可能にする。
論文参考訳（メタデータ） (2022-10-30T09:09:05Z)
Explaining, Evaluating and Enhancing Neural Networks' Learned Representations [2.1485350418225244]
より効率的で効率的な表現への障害ではなく、いかに説明可能性が助けになるかを示す。我々は,2つの新しいスコアを定義して,潜伏埋め込みの難易度と難易度を評価する。表現学習課題の訓練において,提案したスコアを制約として採用することで,モデルの下流性能が向上することを示す。
論文参考訳（メタデータ） (2022-02-18T19:00:01Z)
Fair Node Representation Learning via Adaptive Data Augmentation [9.492903649862761]
この研究は、グラフニューラルネットワーク(GNN)を用いて得られるノード表現のバイアス源を理論的に説明する。この分析に基づいて、本質的なバイアスを低減するために、公正に意識したデータ拡張フレームワークを開発した。分析と提案手法は,様々なGNN学習機構の公平性を高めるために容易に利用できる。
論文参考訳（メタデータ） (2022-01-21T05:49:15Z)
Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文参考訳（メタデータ） (2021-12-15T09:50:25Z)
Which Mutual-Information Representation Learning Objectives are Sufficient for Control? [80.2534918595143]
相互情報は、データの表現を学習するために魅力的な形式を提供する。本稿では,最適政策の学習と表現のための状態表現の十分性について定式化する。意外なことに、これらの2つの目的は、MDPの構造に関する軽度で一般的な仮定を前提に、不十分な表現をもたらす可能性がある。
論文参考訳（メタデータ） (2021-06-14T10:12:34Z)
Forward Super-Resolution: How Can GANs Learn Hierarchical Generative Models for Real-World Distributions [66.05472746340142]
生成ネットワーク(GAN)は、複雑で現実世界の分布を学習する上で最も成功したネットワークの一つである。本稿では,GANが実写画像の分布を効率的に学習する方法について述べる。
論文参考訳（メタデータ） (2021-06-04T17:33:29Z)
Generalization Properties of Optimal Transport GANs with Latent Distribution Learning [52.25145141639159]
本研究では,潜伏分布とプッシュフォワードマップの複雑さの相互作用が性能に与える影響について検討する。我々の分析に感銘を受けて、我々はGANパラダイム内での潜伏分布とプッシュフォワードマップの学習を提唱した。
論文参考訳（メタデータ） (2020-07-29T07:31:33Z)
Can We Learn Heuristics For Graphical Model Inference Using Reinforcement Learning? [114.24881214319048]
我々は、強化学習を用いて、高次条件ランダム場(CRF)における推論を解くためのプログラム、すなわち、ポリシーを学習できることを示します。本手法は,ポテンシャルの形式に制約を加えることなく,推論タスクを効率的に解く。
論文参考訳（メタデータ） (2020-04-27T19:24:04Z)

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。