論文の概要: Score-based pullback Riemannian geometry

• arxiv url: http://arxiv.org/abs/2410.01950v1
• Date: Wed, 2 Oct 2024 18:52:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-04 09:54:27.570633
• Title: Score-based pullback Riemannian geometry
• Title（参考訳）: スコアベースプルバックリーマン幾何学
• Authors: Willem Diepeveen, Georgios Batzolis, Zakhar Shumaylov, Carola-Bibiane Schönlieb,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 10.649159213723106
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Data-driven Riemannian geometry has emerged as a powerful tool for interpretable representation learning, offering improved efficiency in downstream tasks. Moving forward, it is crucial to balance cheap manifold mappings with efficient training algorithms. In this work, we integrate concepts from pullback Riemannian geometry and generative models to propose a framework for data-driven Riemannian geometry that is scalable in both geometry and learning: score-based pullback Riemannian geometry. Focusing on unimodal distributions as a first step, we propose a score-based Riemannian structure with closed-form geodesics that pass through the data probability density. With this structure, we construct a Riemannian autoencoder (RAE) with error bounds for discovering the correct data manifold dimension. This framework can naturally be used with anisotropic normalizing flows by adopting isometry regularization during training. Through numerical experiments on various datasets, we demonstrate that our framework not only produces high-quality geodesics through the data support, but also reliably estimates the intrinsic dimension of the data manifold and provides a global chart of the manifold, even in high-dimensional ambient spaces.
• Abstract（参考訳）: データ駆動型リーマン幾何学は、下流タスクの効率を改善するために、表現学習を解釈するための強力なツールとして登場した。 今後は、安価な多様体マッピングと効率的なトレーニングアルゴリズムのバランスをとることが重要である。 本研究では、引き戻しリーマン幾何学と生成モデルの概念を統合し、幾何と学習の両方においてスケーラブルなデータ駆動リーマン幾何学の枠組みを提案する。 最初のステップとして、単調分布に着目して、データ確率密度を通した閉形式測地線を持つスコアベースのリーマン構造を提案する。 この構造を用いて、正しいデータ多様体次元を発見するための誤差境界を持つリーマンオートエンコーダ(RAE)を構築する。 こ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により、自然に異方性正規化フローで使用することができる。 各種データセットの数値実験により,我々のフレームワークはデータサポートを通じて高品質な測地線を生成するだけでなく,データ多様体の内在次元を確実に推定し,高次元空間においても多様体のグローバルチャートを提供することを示した。

関連論文リスト

• 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)
• (Deep) Generative Geodesics [57.635187092922976]
  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。
  論文  参考訳（メタデータ） (2024-07-15T21:14:02Z)
• Pulling back symmetric Riemannian geometry for data analysis [0.0]
  データセットの理想的なデータ解析ツールは、非線形幾何学を考慮すべきである。 非線型幾何学を考慮に入れたリッチな数学的構造は、データ幾何学を捉えることができることが示されている。 ユークリッド空間のデータのために最初に開発された多くの標準的なデータ解析ツールは、対称リーマン多様体上のデータに効率的に一般化することができる。
  論文  参考訳（メタデータ） (2024-03-11T10:59:55Z)
• 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)
• The Fisher-Rao geometry of CES distributions [50.50897590847961]
  Fisher-Rao情報幾何学は、ツールを微分幾何学から活用することができる。 楕円分布の枠組みにおけるこれらの幾何学的ツールの実用的利用について述べる。
  論文  参考訳（メタデータ） (2023-10-02T09:23:32Z)
• Curvature-Independent Last-Iterate Convergence for Games on Riemannian Manifolds [77.4346324549323]
  本研究では, 多様体の曲率に依存しないステップサイズが, 曲率非依存かつ直線的最終点収束率を達成することを示す。 我々の知る限りでは、曲率非依存率や/または最終点収束の可能性はこれまでに検討されていない。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• 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)
• Parametrizing Product Shape Manifolds by Composite Networks [5.772786223242281]
  形状空間に対する効率的なニューラルネットワーク近似を特別な積構造で学習することは可能であることを示す。 提案アーキテクチャは,低次元因子の近似とその後の組み合わせを別々に学習することで,この構造を利用する。
  論文  参考訳（メタデータ） (2023-02-28T15:31:23Z)
• Visualizing Riemannian data with Rie-SNE [0.0]
  古典的な近傍埋め込みアルゴリズムを一般リーマン多様体のデータに拡張する。 標準的な仮定をリーマン拡散式に置き換え、効率的な近似を提案する。 このアプローチは、例えば高次元球面から低次元球面へのような、ある多様体から別の多様体へのデータのマッピングを可能にする。
  論文  参考訳（メタデータ） (2022-03-17T11:21:44Z)
• Bayesian Quadrature on Riemannian Data Manifolds [79.71142807798284]
  データに固有の非線形幾何学構造をモデル化する原則的な方法が提供される。 しかし、これらの演算は通常計算的に要求される。 特に、正規法則上の積分を数値計算するためにベイズ二次(bq)に焦点を当てる。 先行知識と活発な探索手法を両立させることで,BQは必要な評価回数を大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2021-02-12T17:38:04Z)
• Uniform Interpolation Constrained Geodesic Learning on Data Manifold [28.509561636926414]
  学習された測地線とともに、2つのデータサンプル間で高品質なデータを生成することができる。 提案手法の有効性を実証するために, モデルの理論解析を行い, 画像翻訳を例に挙げる。
  論文  参考訳（メタデータ） (2020-02-12T07:47:41Z)

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。