論文の概要: A Revisit of Total Correlation in Disentangled Variational Auto-Encoder with Partial Disentanglement

• arxiv url: http://arxiv.org/abs/2502.02279v1
• Date: Tue, 04 Feb 2025 12:46:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:53:14.393100
• Title: A Revisit of Total Correlation in Disentangled Variational Auto-Encoder with Partial Disentanglement
• Title（参考訳）: 部分的アンタングル付き変分オートエンコーダにおける全相関の再検討
• Authors: Chengrui Li, Yunmiao Wang, Yule Wang, Weihan Li, Dieter Jaeger, Anqi Wu,
• Abstract要約: 完全に非絡み合った変分自動エンコーダ(VAE)は、観測から非絡み合った潜伏成分を識別することを目的としている。 完全不整合VAEを部分的相関(PC)項に一般化するPDisVAE(Partially Disentangled VAE)を開発した。 このフレームワークはグループ単位の独立性を扱うことができ、標準のVAEまたは完全に切り離されたVAEに自然に還元することができる。
• 参考スコア（独自算出の注目度）: 2.287736287148466
• License:
• Abstract: A fully disentangled variational auto-encoder (VAE) aims to identify disentangled latent components from observations. However, enforcing full independence between all latent components may be too strict for certain datasets. In some cases, multiple factors may be entangled together in a non-separable manner, or a single independent semantic meaning could be represented by multiple latent components within a higher-dimensional manifold. To address such scenarios with greater flexibility, we develop the Partially Disentangled VAE (PDisVAE), which generalizes the total correlation (TC) term in fully disentangled VAEs to a partial correlation (PC) term. This framework can handle group-wise independence and can naturally reduce to either the standard VAE or the fully disentangled VAE. Validation through three synthetic experiments demonstrates the correctness and practicality of PDisVAE. When applied to real-world datasets, PDisVAE discovers valuable information that is difficult to find using fully disentangled VAEs, implying its versatility and effectiveness.
• Abstract（参考訳）: 完全に非絡み合った変分自動エンコーダ(VAE)は、観測から非絡み合った潜伏成分を識別することを目的としている。 しかしながら、潜在コンポーネント間の完全な独立を強制することは、特定のデータセットには厳しすぎる可能性がある。 場合によっては、複数の因子が非分離的な方法で絡み合ってもよいし、単独の独立意味論は高次元多様体内の複数の潜在成分によって表されることもある。 このようなシナリオをより柔軟に対処するために,完全不整合VAEにおける全相関項を部分相関項(PC)に一般化するPDisVAE(Partially Disentangled VAE)を開発した。 このフレームワークはグループ単位の独立性を扱うことができ、標準のVAEまたは完全に切り離されたVAEに自然に還元することができる。 3つの合成実験による検証は、PDisVAEの正しさと実用性を示す。 PDisVAEは、現実世界のデータセットに適用すると、完全に切り離されたVAEを使って見つけるのが難しい貴重な情報を発見し、その汎用性と有効性を示唆する。

関連論文リスト

• Mitigating Shortcut Learning with Diffusion Counterfactuals and Diverse Ensembles [95.49699178874683]
  拡散確率モデル(DPM)を利用したアンサンブル多様化フレームワークDiffDivを提案する。 DPMは、相関した入力特徴を示すサンプルを用いて訓練しても、新しい特徴の組み合わせで画像を生成することができることを示す。 そこで本研究では,DPM誘導の多様化は,教師付き信号の追加を必要とせず,ショートカットキューへの依存を取り除くのに十分であることを示す。
  論文  参考訳（メタデータ） (2023-11-23T15:47:33Z)
• Causal Flow-based Variational Auto-Encoder for Disentangled Causal Representation Learning [1.4875602190483512]
  遠方表現学習は、各次元が基礎となる生成因子に対応する表現を学習することを目的としている。 因果フローを表現学習プロセスに統合する新しい教師付きVAEフレームワークであるDisentangled Causal Variational Auto-Encoder (DCVAE)を提案する。 我々は,合成データセットと実世界のデータセットの両方でDCVAEを評価し,因果解離と介入実験における優れた能力を示した。
  論文  参考訳（メタデータ） (2023-04-18T14:26:02Z)
• Learning Manifold Dimensions with Conditional Variational Autoencoders [22.539599695796014]
  可変オートエンコーダ(VAE)とその条件拡張(CVAE)は、複数の領域にわたる最先端の結果を出力することができる。 VAE大域ミニマは、正しい多様体次元を復元できることを示す。 次に、この結果をより一般的なCVAEに拡張し、実用的なシナリオを実証する。
  論文  参考訳（メタデータ） (2023-02-23T03:04:00Z)
• Break The Spell Of Total Correlation In betaTCVAE [4.38301148531795]
  本稿では,全相関の反復的分解経路を提案し,VAEの非絡み合い表現能力について説明する。 新たなモデルにより、VAEはパラメータキャパシティを柔軟に分割し、依存データと独立データの特徴を分割することができる。
  論文  参考訳（メタデータ） (2022-10-17T07:16:53Z)
• Exploiting Independent Instruments: Identification and Distribution Generalization [3.701112941066256]
  我々は、より高い瞬間を考慮に入れ、分布一般化の独立性を利用する。 提案した推定器は楽器の分布シフトに不変であることを示す。 これらの結果は、楽器が因果関数を識別するのに十分な豊かでない場合においても成り立つ。
  論文  参考訳（メタデータ） (2022-02-03T21:49:04Z)
• Regularizing Variational Autoencoder with Diversity and Uncertainty Awareness [61.827054365139645]
  変分オートエンコーダ(VAE)は、償却変分推論に基づいて潜伏変数の後部を近似する。 よりディバースで不確実な潜在空間を学習するための代替モデルDU-VAEを提案する。
  論文  参考訳（メタデータ） (2021-10-24T07:58:13Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)
• Enhanced Principal Component Analysis under A Collaborative-Robust Framework [89.28334359066258]
  重み学習とロバストな損失を非自明な方法で組み合わせる,一般的な協調ロバスト重み学習フレームワークを提案する。 提案されたフレームワークでは、トレーニング中の重要度を示す適切なサンプルの一部のみがアクティブになり、エラーが大きい他のサンプルは無視されません。 特に、不活性化試料の負の効果はロバスト損失関数によって軽減される。
  論文  参考訳（メタデータ） (2021-03-22T15:17:37Z)
• VAE Approximation Error: ELBO and Conditional Independence [78.72292013299868]
  本稿では,ELBO目標とエンコーダ確率系列の選択の組み合わせによるVAE近似誤差を解析する。 より深いエンコーダネットワークを考慮すれば,ELBOサブセットを拡大することができず,各エラーを低減できないことを示す。
  論文  参考訳（メタデータ） (2021-02-18T12:54:42Z)
• NestedVAE: Isolating Common Factors via Weak Supervision [45.366986365879505]
  我々は、バイアス低減の課題と、ドメイン間で共通する分離要因の関係を同定する。 共通因子を分離するために、潜伏変数モデルの理論と情報ボトルネック理論を組み合わせる。 共有重みを持つ2つの外部VAEは入力を再構成し、潜伏空間を推論し、一方、ネストされたVAEはペア化された画像の潜伏表現から1つの画像の潜伏表現を再構成しようとする。
  論文  参考訳（メタデータ） (2020-02-26T15:49:57Z)

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。