論文の概要: Conformal Disentanglement: A Neural Framework for Perspective Synthesis and Differentiation

• arxiv url: http://arxiv.org/abs/2408.15344v1
• Date: Tue, 27 Aug 2024 18:06:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-29 18:02:17.294576
• Title: Conformal Disentanglement: A Neural Framework for Perspective Synthesis and Differentiation
• Title（参考訳）: Conformal Disentanglement: パースペクティブ合成と微分のためのニューラルネットワークフレームワーク
• Authors: George A. Kevrekidis, Eleni D. Koronaki, Yannis G. Kevrekidis,
• Abstract要約: 宇宙におけるいくつかの異なる視点から、異なる時点における物体の観測を行う。 ソース間で「共通」の完全な図像を合成する必要がある。 両タスクに対応可能なニューラルネットワークオートエンコーダフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.8192907805418583
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: For multiple scientific endeavors it is common to measure a phenomenon of interest in more than one ways. We make observations of objects from several different perspectives in space, at different points in time; we may also measure different properties of a mixture using different types of instruments. After collecting this heterogeneous information, it is necessary to be able to synthesize a complete picture of what is `common' across its sources: the subject we ultimately want to study. However, isolated (`clean') observations of a system are not always possible: observations often contain information about other systems in its environment, or about the measuring instruments themselves. In that sense, each observation may contain information that `does not matter' to the original object of study; this `uncommon' information between sensors observing the same object may still be important, and decoupling it from the main signal(s) useful. We introduce a neural network autoencoder framework capable of both tasks: it is structured to identify `common' variables, and, making use of orthogonality constraints to define geometric independence, to also identify disentangled `uncommon' information originating from the heterogeneous sensors. We demonstrate applications in several computational examples.
• Abstract（参考訳）: 複数の科学的努力に対して、複数の方法で関心の現象を測定することが一般的である。 我々は、異なる種類の機器を用いて混合物の異なる性質を測定することもできる。 この異種情報を収集した上で、最終的に研究したい主題である「共通」の完全な図像をソース間で合成できることが求められます。 しかしながら、システムの孤立した(「クリーン」)観測は、必ずしも不可能ではない: 観測には、その環境内の他のシステムに関する情報や、測定器自体に関する情報が含まれることが多い。 その意味では、それぞれの観測には元の対象に「重要でない」情報が含まれており、同じ対象を観測するセンサー間の「珍しい」情報は依然として重要であり、メイン信号から切り離すのが有用である。 ニューラルネットワークオートエンコーダフレームワークは,2つのタスクを同時に行うことができる: 「共通」変数を識別するために構成され,幾何的独立性を定義するために直交制約を用いることで,異種センサから発せられる非共通」情報も識別する。 いくつかの計算例で応用例を示す。

関連論文リスト

• Unsupervised discovery of the shared and private geometry in multi-view data [1.8816600430294537]
  我々は低次元の共有変数とプライベート潜伏変数をアンハングリングする非線形ニューラルネットワークに基づく手法を開発した。 我々は,異なる雑音条件で解釈可能な共有構造とプライベート構造を探索するモデルの能力を実証する。 本手法を海馬と前頭前皮質の同時記録に応用し, マウスが直線軌道を走行している間に, 動物の位置を符号化する低次元の潜伏空間を発見する。
  論文  参考訳（メタデータ） (2024-08-22T03:00:21Z)
• Graph-based Virtual Sensing from Sparse and Partial Multivariate Observations [22.567497617912046]
  このような関係を利用してグラフに基づく新しい手法を導入し、GgNetというグラフ深層学習アーキテクチャを設計し、そのフレームワークを実装した。 提案手法は,変数間の依存関係や位置の学習に使用されるネストグラフ構造上の情報伝達に依存する。 GgNetは様々な仮想センシングシナリオで広く評価されており、最先端技術と比較して高い再現精度を示している。
  論文  参考訳（メタデータ） (2024-02-19T23:22:30Z)
• High-dimensional monitoring and the emergence of realism via multiple observers [41.94295877935867]
  相関はすべての測定モデルの基本的なメカニズムである。 本稿では,弱度と強い非選択性の測定を補間するモデルを提案する。
  論文  参考訳（メタデータ） (2023-05-13T13:42:19Z)
• Gacs-Korner Common Information Variational Autoencoder [102.89011295243334]
  本稿では,2つの変数間で共有される情報の定量化と分離を可能にする共通情報の概念を提案する。 画像やビデオなどの高次元データでも意味論的に意味のある共通要素や特徴要因を学習できることを実証する。
  論文  参考訳（メタデータ） (2022-05-24T17:47:26Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Combining Observational and Randomized Data for Estimating Heterogeneous Treatment Effects [82.20189909620899]
  不均一な治療効果を推定することは、多くの領域において重要な問題である。 現在、現存するほとんどの作品は観測データにのみ依存している。 本稿では、大量の観測データと少量のランダム化データを組み合わせることで、不均一な処理効果を推定する。
  論文  参考訳（メタデータ） (2022-02-25T18:59:54Z)
• Ranking the information content of distance measures [61.754016309475745]
  2つの異なる距離測度を用いて保持する相対的情報を評価する統計的テストを導入する。 これにより、候補者のプールから最も情報に富んだ距離を測定することができる。
  論文  参考訳（メタデータ） (2021-04-30T15:57:57Z)
• Latent Feature Representation via Unsupervised Learning for Pattern Discovery in Massive Electron Microscopy Image Volumes [4.278591555984395]
  特に,データセットにおける意味的類似性を捉える潜在表現を学ぶための教師なしのディープラーニングアプローチを提案する。 動物脳の比較的小さな部分でもテラバイトの画像を要求できるナノスケールの電子顕微鏡データに適用する手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-12-22T17:14:19Z)
• The role of feature space in atomistic learning [62.997667081978825]
  物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。 異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。 原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
  論文  参考訳（メタデータ） (2020-09-06T14:12:09Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。