論文の概要: Unsupervised categorization of similarity measures

• arxiv url: http://arxiv.org/abs/2502.08098v1
• Date: Wed, 12 Feb 2025 03:52:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:50:51.382007
• Title: Unsupervised categorization of similarity measures
• Title（参考訳）: 類似度尺度の教師なし分類
• Authors: Yoshiyuki Ohmura, Wataru Shimaya, Yasuo Kuniyoshi,
• Abstract要約: 一般に、物体は色や形といった特徴に基づいて区別することができる。 特に、そのような特徴に関する類似性判定は異なる距離空間で独立に処理できると仮定される。 ここでは,人工知能が距離空間を自律的に分類できることを示す。
• 参考スコア（独自算出の注目度）: 3.4888132404740797
• License:
• Abstract: In general, objects can be distinguished on the basis of their features, such as color or shape. In particular, it is assumed that similarity judgments about such features can be processed independently in different metric spaces. However, the unsupervised categorization mechanism of metric spaces corresponding to object features remains unknown. Here, we show that the artificial neural network system can autonomously categorize metric spaces through representation learning to satisfy the algebraic independence between neural networks, and project sensory information onto multiple high-dimensional metric spaces to independently evaluate the differences and similarities between features. Conventional methods often constrain the axes of the latent space to be mutually independent or orthogonal. However, the independent axes are not suitable for categorizing metric spaces. High-dimensional metric spaces that are independent of each other are not uniquely determined by the mutually independent axes, because any combination of independent axes can form mutually independent spaces. In other words, the mutually independent axes cannot be used to naturally categorize different feature spaces, such as color space and shape space. Therefore, constraining the axes to be mutually independent makes it difficult to categorize high-dimensional metric spaces. To overcome this problem, we developed a method to constrain only the spaces to be mutually independent and not the composed axes to be independent. Our theory provides general conditions for the unsupervised categorization of independent metric spaces, thus advancing the mathematical theory of functional differentiation of neural networks.
• Abstract（参考訳）: 一般に、物体は色や形といった特徴に基づいて区別することができる。 特に、そのような特徴に関する類似性判定は異なる距離空間で独立に処理できると仮定される。 しかし、対象特徴に対応する距離空間の教師なし分類機構はいまだ不明である。 本稿では,ニューラルネットワーク間の代数的独立性を満たす表現学習による距離空間の自律的分類と,特徴間の相違点と類似点を独立に評価するための複数の高次元距離空間へのプロジェクト感覚情報を示す。 伝統的な方法はしばしば、潜在空間の軸が互いに独立であるか直交であるかを制約する。 しかし、独立軸は計量空間を分類するのに適していない。 互いに独立な高次元距離空間は互いに独立な軸によって一意に決定されない。 言い換えれば、互いに独立な軸は、色空間や形状空間などの異なる特徴空間を自然に分類することはできない。 したがって、軸を互いに独立に制約することは、高次元距離空間を分類することを難しくする。 この問題を克服するために、合成された軸が独立であるのではなく、互いに独立である空間のみを制約する手法を開発した。 我々の理論は、独立距離空間の教師なし分類のための一般的な条件を提供し、それによってニューラルネットワークの機能的微分の数学的理論を前進させる。

関連論文リスト

• Relative representations enable zero-shot latent space communication [19.144630518400604]
  ニューラルネットワークは、高次元空間に横たわるデータ多様体の幾何学的構造を潜在表現に埋め込む。 ニューラルネットワークがこれらの相対表現をどのように活用して、実際に潜時等尺不変性を保証するかを示す。
  論文  参考訳（メタデータ） (2022-09-30T12:37:03Z)
• Non-Parametric Inference of Relational Dependence [17.76905154531867]
  本研究では,関係系から引き出されたデータの独立性を推定する問題について検討する。 我々は,非観測データに対する関係独立性試験を運用するために,一貫した,非パラメトリックでスケーラブルなカーネルテストを提案する。
  論文  参考訳（メタデータ） (2022-06-30T03:42:20Z)
• Generating indistinguishability within identical particle systems: spatial deformations as quantum resource activators [0.24466725954625884]
  同一の量子部分系は古典的な性質を持たない性質を持つことができ、区別不能である。 一般の$N$粒子シナリオで変形の概念をコヒーレントに定式化する。 本稿では,空間的変形を「局所的局所化操作と古典的コミュニケーション」の運用枠組みにおける絡み合いアクティベーターとしての役割について論じる。
  論文  参考訳（メタデータ） (2022-05-24T15:13:20Z)
• Nonparametric Conditional Local Independence Testing [69.31200003384122]
  条件付き局所独立は、連続的な時間プロセス間の独立関係である。 条件付き地域独立の非パラメトリックテストは行われていない。 二重機械学習に基づく非パラメトリックテストを提案する。
  論文  参考訳（メタデータ） (2022-03-25T10:31:02Z)
• Exact solutions of interacting dissipative systems via weak symmetries [77.34726150561087]
  我々は任意の強い相互作用や非線形性を持つクラスマルコフ散逸系(英語版)のリウヴィリアンを解析的に対角化する。 これにより、フルダイナミックスと散逸スペクトルの正確な記述が可能になる。 我々の手法は他の様々なシステムに適用でき、複雑な駆動散逸量子系の研究のための強力な新しいツールを提供することができる。
  論文  参考訳（メタデータ） (2021-09-27T17:45:42Z)
• Coordinate Independent Convolutional Networks -- Isometry and Gauge Equivariant Convolutions on Riemannian Manifolds [70.32518963244466]
  平坦空間と比較して大きな複雑さは、コンボリューション核が多様体にどのようなアライメントを適用するべきかが不明確であることである。 コーディネート化の特定の選択は、ネットワークの推論に影響を与えるべきではない、と我々は主張する。 座標独立と重み共有の同時要求は、ネットワーク上の同変要求をもたらす。
  論文  参考訳（メタデータ） (2021-06-10T19:54:19Z)
• Product Manifold Learning [7.394643746798322]
  多様体分解と呼ばれる非線形独立成分分析のための新しいパラダイムを提案する。 構造生物学における重要な課題として,本手法の可能性を示す。
  論文  参考訳（メタデータ） (2020-10-19T22:51:06Z)
• 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)
• Geometry of Similarity Comparisons [51.552779977889045]
  空間形式の順序容量は、その次元と曲率の符号に関係していることを示す。 さらに重要なことは、類似性グラフ上で定義された順序拡散確率変数の統計的挙動が、その基礎となる空間形式を特定するのに利用できることである。
  論文  参考訳（メタデータ） (2020-06-17T13:37:42Z)
• Learning to Manipulate Individual Objects in an Image [71.55005356240761]
  本稿では,独立性および局所性を有する潜在因子を用いた生成モデルを学習する手法について述べる。 これは、潜伏変数の摂動が、オブジェクトに対応する合成画像の局所領域のみに影響を与えることを意味する。 他の教師なし生成モデルとは異なり、オブジェクトレベルのアノテーションを必要とせず、オブジェクト中心の操作を可能にする。
  論文  参考訳（メタデータ） (2020-04-11T21:50:20Z)

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。