論文の概要: Actively Inferring Optimal Measurement Sequences

• arxiv url: http://arxiv.org/abs/2502.18142v1
• Date: Tue, 25 Feb 2025 12:10:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:23:12.989050
• Title: Actively Inferring Optimal Measurement Sequences
• Title（参考訳）: 最適測定シーケンスの能動推論
• Authors: Catherine F. Higham, Paul Henderson, Roderick Murray-Smith,
• Abstract要約: 我々は,低次元表現型潜在空間を用いて,次にどの測定を行うかを選択する能動的逐次推論アルゴリズムを開発した。 このアルゴリズムは、Fashion MNISTデータセットと、新しい畳み込みアダマールパターン測定ベースを用いて説明される。
• 参考スコア（独自算出の注目度）: 8.229775890542967
• License:
• Abstract: Measurement of a physical quantity such as light intensity is an integral part of many reconstruction and decision scenarios but can be costly in terms of acquisition time, invasion of or damage to the environment and storage. Data minimisation and compliance with data protection laws is also an important consideration. Where there are a range of measurements that can be made, some may be more informative and compliant with the overall measurement objective than others. We develop an active sequential inference algorithm that uses the low dimensional representational latent space from a variational autoencoder (VAE) to choose which measurement to make next. Our aim is to recover high dimensional data by making as few measurements as possible. We adapt the VAE encoder to map partial data measurements on to the latent space of the complete data. The algorithm draws samples from this latent space and uses the VAE decoder to generate data conditional on the partial measurements. Estimated measurements are made on the generated data and fed back through the partial VAE encoder to the latent space where they can be evaluated prior to making a measurement. Starting from no measurements and a normal prior on the latent space, we consider alternative strategies for choosing the next measurement and updating the predictive posterior prior for the next step. The algorithm is illustrated using the Fashion MNIST dataset and a novel convolutional Hadamard pattern measurement basis. We see that useful patterns are chosen within 10 steps, leading to the convergence of the guiding generative images. Compared with using stochastic variational inference to infer the parameters of the posterior distribution for each generated data point individually, the partial VAE framework can efficiently process batches of generated data and obtains superior results with minimal measurements.
• Abstract（参考訳）: 光強度などの物理量の測定は多くの再構成や決定シナリオの不可欠な部分であるが、取得時間、環境や記憶への侵入や損傷の点でコストがかかる。 データ保護法の最小化とコンプライアンスも重要な考慮事項である。 測定できる範囲が限られている場合は、他の測定対象よりも情報的であり、全体的な測定目標に適合するものもある。 本研究では,変分オートエンコーダ(VAE)から低次元表現潜在空間を用いて,次にどの測定を行うかを選択する能動的逐次推論アルゴリズムを開発した。 我々の目標は、できるだけ少ない測定で高次元データを復元することである。 我々は、VAEエンコーダを用いて、部分的なデータ計測を全データの潜在空間にマッピングする。 このアルゴリズムは、この潜伏空間からサンプルを抽出し、VAEデコーダを使用して部分的な測定に基づいてデータ条件を生成する。 推定された測定は、生成されたデータに基づいて行われ、部分的なVAEエンコーダを通してラテント空間にフィードバックされ、測定する前に評価することができる。 本研究は,非測定と潜在空間上の通常の先行から,次の測定を選択し,次のステップに先立つ予測的後進を更新するための代替戦略を検討する。 このアルゴリズムは、Fashion MNISTデータセットと、新しい畳み込みアダマールパターン測定ベースを用いて説明される。 有用なパターンは10ステップ以内で選択され、誘導生成画像の収束につながる。 各生成されたデータポイントの後方分布のパラメータを個別に推定するために確率的変動推定を用いるのと比較して、部分VAEフレームワークは、生成されたデータのバッチを効率的に処理することができ、最小限の測定で優れた結果を得ることができる。

関連論文リスト

• Reinforced Disentanglers on Random Unitary Circuits [0.10923877073891444]
  ブロックウォールパターンで配置された2ビットゲートのランダムクリフォード回路上で,効率的なアンタングルを探索する。 遠心分離器は連続する絡み合う層の間に挿入される射影測定のセットとして定義される。
  論文  参考訳（メタデータ） (2024-11-14T19:51:26Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• FONDUE: an algorithm to find the optimal dimensionality of the latent representations of variational autoencoders [2.969705152497174]
  本稿では,データの本質的次元推定(IDE)と,VAEが学習した潜在表現について検討する。 平均値とサンプル値との平均値との差は,数段階の訓練で潜在空間に受動的変数が存在することが判明した。 FONDUE: 平均およびサンプル表現が分岐し始めた後, 遅延次元の個数を素早く見つけるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-26T15:59:54Z)
• Information Entropy Initialized Concrete Autoencoder for Optimal Sensor Placement and Reconstruction of Geophysical Fields [58.720142291102135]
  そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。 本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。 得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
  論文  参考訳（メタデータ） (2022-06-28T12:43:38Z)
• RENs: Relevance Encoding Networks [0.0]
  本稿では,遅延空間に先行する自動相対性決定(ARD)を用いて,データ固有のボトルネック次元を学習する新しい確率的VOEベースのフレームワークであるrelevance encoding network (RENs)を提案する。 提案モデルは,サンプルの表現や生成品質を損なうことなく,関連性のあるボトルネック次元を学習することを示す。
  論文  参考訳（メタデータ） (2022-05-25T21:53:48Z)
• Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
  ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。 注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。 また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
  論文  参考訳（メタデータ） (2021-10-12T22:04:19Z)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)
• Data Generation in Low Sample Size Setting Using Manifold Sampling and a Geometry-Aware VAE [0.0]
  我々は,潜在空間の幾何構造に基づく2つの非アンフリープリオリ依存生成手順を考案する。 後者の手法は、サンプルサイズの小さな設定でデータ拡張を行うために使用され、様々な標準および実生活データセットで検証される。
  論文  参考訳（メタデータ） (2021-03-25T11:07:10Z)
• Representation Learning for Sequence Data with Deep Autoencoding Predictive Components [96.42805872177067]
  本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。 我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。 提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
  論文  参考訳（メタデータ） (2020-10-07T03:34:01Z)
• Evaluating representations by the complexity of learning low-loss predictors [55.94170724668857]
  下流タスクの解決に使用されるデータの表現を評価することの問題点を考察する。 本稿では,関心のあるタスクにおける低損失を実現する表現の上に,予測器を学習する複雑性によって表現の質を測定することを提案する。
  論文  参考訳（メタデータ） (2020-09-15T22:06:58Z)
• Performance Analysis of Semi-supervised Learning in the Small-data Regime using VAEs [0.261072980439312]
  そこで本研究では,データ空間の潜在空間表現を事前学習した既存のアルゴリズムを用いて,データ構造入力の低次元の特徴を抽出する手法を提案する。 微調整された潜在空間は、分類に有用な一定の重みを与える。 ここでは、半教師付き学習において、遅延空間サイズが異なるVAEアルゴリズムの性能解析について述べる。
  論文  参考訳（メタデータ） (2020-02-26T16:19:54Z)

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。