論文の概要: (Deep) Generative Geodesics

• arxiv url: http://arxiv.org/abs/2407.11244v1
• Date: Mon, 15 Jul 2024 21:14:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 19:11:45.561859
• Title: (Deep) Generative Geodesics
• Title（参考訳）: (深部)生成測地学
• Authors: Beomsu Kim, Michael Puthawala, Jong Chul Ye, Emanuele Sansone,
• Abstract要約: 2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。 我々の計量は、生成距離と生成測地学の概念的定義に繋がる。 彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
• 参考スコア（独自算出の注目度）: 57.635187092922976
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we propose to study the global geometrical properties of generative models. We introduce a new Riemannian metric to assess the similarity between any two data points. Importantly, our metric is agnostic to the parametrization of the generative model and requires only the evaluation of its data likelihood. Moreover, the metric leads to the conceptual definition of generative distances and generative geodesics, whose computation can be done efficiently in the data space. Their approximations are proven to converge to their true values under mild conditions. We showcase three proof-of-concept applications of this global metric, including clustering, data visualization, and data interpolation, thus providing new tools to support the geometrical understanding of generative models.
• Abstract（参考訳）: 本研究では,生成モデルの大域的幾何学的性質について考察する。 我々は、任意の2つのデータポイント間の類似性を評価するために、新しいリーマン計量を導入する。 重要なことは、我々の計量は生成モデルのパラメトリゼーションに非依存であり、そのデータの可能性を評価することしか必要としない。 さらに、この計量は、データ空間内で効率的に計算を行うことができる生成距離と生成測地学の概念的定義に導かれる。 彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。 本稿では、クラスタリング、データ可視化、データ補間を含む、この大域的メトリックの概念実証の3つの応用を紹介し、生成モデルの幾何学的理解を支援するための新しいツールを提供する。

関連論文リスト

• Geometry Distributions [51.4061133324376]
  本稿では,分布として幾何学をモデル化する新しい幾何学的データ表現を提案する。 提案手法では,新しいネットワークアーキテクチャを用いた拡散モデルを用いて表面点分布の学習を行う。 本研究では,多種多様な対象に対して質的かつ定量的に表現を評価し,その有効性を実証した。
  論文  参考訳（メタデータ） (2024-11-25T04:06:48Z)
• Geometry-Aware Generative Autoencoders for Warped Riemannian Metric Learning and Generative Modeling on Data Manifolds [18.156807299614503]
  本稿では,多様体学習と生成モデルを組み合わせた新しいフレームワークであるGeometry-Aware Generative Autoencoder (GAGA)を紹介する。 GAGAは、シミュレーションおよび実世界のデータセットにおける競合性能を示し、単一セルの集団レベルの軌道推定における最先端の手法よりも30%改善されている。
  論文  参考訳（メタデータ） (2024-10-16T17:53:26Z)
• Score-based pullback Riemannian geometry [10.649159213723106]
  本稿では,データ駆動型リーマン幾何学のフレームワークを提案する。 データサポートを通して高品質な測地学を作成し、データ多様体の固有次元を確実に推定する。 我々のフレームワークは、訓練中に等方性正規化を採用することで、自然に異方性正規化フローで使用することができる。
  論文  参考訳（メタデータ） (2024-10-02T18:52:12Z)
• Topological Parallax: A Geometric Specification for Deep Perception Models [0.778001492222129]
  本稿では,学習したモデルを参照データセットと比較する理論的・計算ツールとしてトポロジカルパララックスを導入する。 我々の例では、データセットとモデルの間のこの幾何学的類似性は、信頼性と摂動に不可欠である。 この新しい概念は、ディープラーニングの応用における過度な適合と一般化の間の不明瞭な関係について、現在の議論に価値をもたらすだろう。
  論文  参考訳（メタデータ） (2023-06-20T18:45:24Z)
• T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified Visual Modalities [69.16656086708291]
  拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。 本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。 モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
  論文  参考訳（メタデータ） (2023-05-24T03:32:03Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Intrinsic Dimension for Large-Scale Geometric Learning [0.0]
  データセットの次元を決定するための単純なアプローチは、属性の数に基づいています。 より洗練された手法は、より複雑な特徴関数を用いる内在次元(ID)の概念を導出する。
  論文  参考訳（メタデータ） (2022-10-11T09:50:50Z)
• Adversarial Manifold Matching via Deep Metric Learning for Generative Modeling [5.5840609705075055]
  本稿では,分布生成器と距離生成器を含む生成モデルに対する多様体マッチング手法を提案する。 分布生成器は、実データ多様体の周りに凝縮された分布に従うサンプルを生成することを目的としている。 距離計生成器は、実データと生成されたサンプルの両方を利用して距離計を学習する。
  論文  参考訳（メタデータ） (2021-06-20T23:25:01Z)
• GELATO: Geometrically Enriched Latent Model for Offline Reinforcement Learning [54.291331971813364]
  オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。 本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。 提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
  論文  参考訳（メタデータ） (2021-02-22T19:42:40Z)
• Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
  グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。 本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。 提案手法を,現在最大規模の2つの3次元データセット上で評価する。
  論文  参考訳（メタデータ） (2020-07-30T18:23:18Z)

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。