論文の概要: Learning Locally Adaptive Metrics that Enhance Structural Representation with $\texttt{LAMINAR}$

• arxiv url: http://arxiv.org/abs/2411.08557v1
• Date: Wed, 13 Nov 2024 12:13:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-14 16:10:48.142779
• Title: Learning Locally Adaptive Metrics that Enhance Structural Representation with $\texttt{LAMINAR}$
• Title（参考訳）: $\texttt{LAMINAR}$で構造表現を促進する局所適応メトリクスの学習
• Authors: Christian Kleiber, William H. Oliver, Tobias Buck,
• Abstract要約: $textttLAMINAR$は、データ内の構造表現を強化するために設計された、教師なしの機械学習パイプラインである。 局所適応測定値を生成し、構造的に不変な密度ベースの距離を生成する。 構造化データセットの出力をユークリッド計量と比較することにより、$textttLAMINAR$の有用性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We present $\texttt{LAMINAR}$, a novel unsupervised machine learning pipeline designed to enhance the representation of structure within data via producing a more-informative distance metric. Analysis methods in the physical sciences often rely on standard metrics to define geometric relationships in data, which may fail to capture the underlying structure of complex data sets. $\texttt{LAMINAR}$ addresses this by using a continuous-normalising-flow and inverse-transform-sampling to define a Riemannian manifold in the data space without the need for the user to specify a metric over the data a-priori. The result is a locally-adaptive-metric that produces structurally-informative density-based distances. We demonstrate the utility of $\texttt{LAMINAR}$ by comparing its output to the Euclidean metric for structured data sets.
• Abstract（参考訳）: よりインフォーマティブな距離メトリックを生成することによって、データ内の構造表現を強化するように設計された、新しい教師なし機械学習パイプラインである、$\texttt{LAMINAR}$を提示する。 物理科学における分析手法は、しばしばデータ内の幾何学的関係を定義するのに標準的なメトリクスに依存しており、複雑なデータセットの基盤構造を捉えるのに失敗する可能性がある。 $\texttt{LAMINAR}$は、連続正規化フローと逆変換サンプリングを使用して、ユーザがデータa-priori上のメトリックを指定する必要なしに、データ空間内のリーマン多様体を定義することで、この問題に対処する。 その結果は局所適応的距離であり、構造的に不変な密度に基づく距離を生成する。 構造化データセットの出力をユークリッド計量と比較することにより,$\texttt{LAMINAR}$の有用性を実証する。

関連論文リスト

• 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)
• Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
  因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。 本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-02T04:01:38Z)
• Taming CLIP for Fine-grained and Structured Visual Understanding of Museum Exhibits [59.66134971408414]
  博物館展示の微細で構造化された理解にCLIPを適用することを目的としている。 私たちのデータセットは、パブリックドメインで最初のものです。 提案手法(MUZE)は,変換器を用いた解析ネットワーク(parseNet)を用いて,CLIPのイメージ埋め込みを表構造にマッピングする方法を学習する。
  論文  参考訳（メタデータ） (2024-09-03T08:13:06Z)
• IsUMap: Manifold Learning and Data Visualization leveraging Vietoris-Rips filtrations [0.08796261172196743]
  局所的に歪んだ距離空間に対する距離表現の体系的かつ詳細な構成を示す。 提案手法は,非一様データ分布と複雑な局所的ジオメトリの調整により,既存の手法の制約に対処する。
  論文  参考訳（メタデータ） (2024-07-25T07:46:30Z)
• (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)
• Order-based Structure Learning with Normalizing Flows [7.972479571606131]
  観測データの因果構造を推定することは、グラフサイズと超指数的にスケールする難しい探索問題である。 既存の手法では、連続緩和を用いてこの問題を計算的に取り扱えるようにしているが、しばしばデータ生成過程を加法雑音モデル(ANM)に制限する。 自己回帰正規化フローを用いてこれらの仮定を緩和するフレームワークである,正規化フローを用いた秩序に基づく構造学習(OSLow)を提案する。
  論文  参考訳（メタデータ） (2023-08-14T22:17:33Z)
• StructGPT: A General Framework for Large Language Model to Reason over Structured Data [117.13986738340027]
  我々は,構造化データに基づく質問応答タスクの解法として,emphIterative Reading-then-Reasoning(IRR)アプローチを開発した。 提案手法はChatGPTの性能を大幅に向上させ,全データの教師付きベースラインに対して同等のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-05-16T17:45:23Z)
• GenURL: A General Framework for Unsupervised Representation Learning [58.59752389815001]
  教師なし表現学習(URL)は、教師なしの高次元データのコンパクトな埋め込みを学習する。 本稿では,様々なURLタスクにスムーズに適応可能な類似性ベースの統合URLフレームワークGenURLを提案する。 実験により、GenURLは、自己教師付き視覚学習、無教師付き知識蒸留(KD)、グラフ埋め込み(GE)、次元縮小において、一貫した最先端性能を達成することが示された。
  論文  参考訳（メタデータ） (2021-10-27T16:24:39Z)
• Capturing Structural Locality in Non-parametric Language Models [85.94669097485992]
  非パラメトリック言語モデルに局所性情報を追加するための,単純かつ効果的なアプローチを提案する。 Javaソースコードとウィキペディアテキストという2つの異なる領域の実験では、局所性がモデルの有効性を向上させることが示されている。
  論文  参考訳（メタデータ） (2021-10-06T15:53:38Z)
• LOCA: LOcal Conformal Autoencoder for standardized data coordinates [6.608924227377152]
  多様体の潜在変数に等長な $mathbbRd$ の埋め込みを学ぶ方法を提案する。 我々の埋め込みは, 変形を補正する埋め込みを構成するアルゴリズムであるLOCA (Local Conformal Autoencoder) を用いて得られる。 また、単一サイトWi-FiのローカライゼーションデータにLOCAを適用し、曲面推定を3ドルで行う。
  論文  参考訳（メタデータ） (2020-04-15T17:49:37Z)
• Learning Flat Latent Manifolds with VAEs [16.725880610265378]
  本稿では、ユークリッド計量がデータポイント間の類似性のプロキシとなる変分自動エンコーダのフレームワークの拡張を提案する。 我々は、変分オートエンコーダで一般的に使用されるコンパクトな以前のものを、最近発表されたより表現力のある階層型に置き換える。 提案手法は,ビデオ追跡ベンチマークを含む,さまざまなデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2020-02-12T09:54:52Z)

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。