論文の概要: Half-AVAE: Adversarial-Enhanced Factorized and Structured Encoder-Free VAE for Underdetermined Independent Component Analysis

• arxiv url: http://arxiv.org/abs/2506.07011v1
• Date: Sun, 08 Jun 2025 06:29:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.627081
• Title: Half-AVAE: Adversarial-Enhanced Factorized and Structured Encoder-Free VAE for Underdetermined Independent Component Analysis
• Title（参考訳）: 半AVAE:非決定独立成分分析のための逆因子化・構造化エンコーダフリーVAE
• Authors: Yuan-Hao Wei, Yan-Jie Sun,
• Abstract要約: 本研究では, 独立成分分析(ICA)における課題に, 決定条件と決定条件の両方で対処することで, 変分オートエンコーダ(VAE)フレームワークを改良する。 提案されたHalf Adversarial VAEは、エンコーダフリーのHalf-VAEフレームワークに基づいており、未決定シナリオに取り組むための明示的な逆マッピングを排除している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study advances the Variational Autoencoder (VAE) framework by addressing challenges in Independent Component Analysis (ICA) under both determined and underdetermined conditions, focusing on enhancing the independence and interpretability of latent variables. Traditional VAEs map observed data to latent variables and back via an encoder-decoder architecture, but struggle with underdetermined ICA where the number of latent variables exceeds observed signals. The proposed Half Adversarial VAE (Half-AVAE) builds on the encoder-free Half-VAE framework, eliminating explicit inverse mapping to tackle underdetermined scenarios. By integrating adversarial networks and External Enhancement (EE) terms, Half-AVAE promotes mutual independence among latent dimensions, achieving factorized and interpretable representations. Experiments with synthetic signals demonstrate that Half-AVAE outperforms baseline models, including GP-AVAE and Half-VAE, in recovering independent components under underdetermined conditions, as evidenced by lower root mean square errors. The study highlights the flexibility of VAEs in variational inference, showing that encoder omission, combined with adversarial training and structured priors, enables effective solutions for complex ICA tasks, advancing applications in disentanglement, causal inference, and generative modeling.
• Abstract（参考訳）: 本研究では,独立成分分析(ICA)における課題を決定的かつ未決定な条件下で解決し,潜伏変数の独立性と解釈可能性の向上に焦点をあてて,変分自動符号化(VAE)フレームワークを進化させる。 従来のVAEマップは、エンコーダ-デコーダアーキテクチャを介して、潜伏変数とバックにデータを観測するが、潜伏変数の数が観測された信号を超えるような、過度に決定されたICAと競合する。 提案されたHalf Adversarial VAE(Half-AVAE)は、エンコーダフリーのHalf-VAEフレームワークに基づいており、未決定シナリオに取り組むための明示的な逆マッピングを排除している。 敵ネットワークと外的拡張(EE)用語を統合することで、半AVAEは潜在次元間の相互独立を促進し、因子化および解釈可能な表現を達成する。 合成信号を用いた実験では, GP-AVAEやHalf-VAEなどのベースラインモデルでは, 根の平均二乗誤差が低く, 未決定条件下での独立成分の回収に優れていた。 この研究は、可変推論におけるVAEの柔軟性を強調し、エンコーダの省略と、敵の訓練と構造化された事前計算を組み合わせることで、複雑なICAタスクに対する効果的な解、絡み合い、因果推論、生成モデリングの応用を可能にすることを示した。

関連論文リスト

• How to train your VAE [0.0]
  変分オートエンコーダ(VAE)は、機械学習における生成モデリングと表現学習の基盤となっている。 本稿では,ELBO(エビデンス・ロウアー・バウンド)における重要な構成要素であるKLディバージェンス(Kulback-Leibler)の解釈について検討する。 提案手法は, ELBOを後続確率のガウス混合体で再定義し, 正規化項を導入し, テクスチャリアリズムを高めるためにPatchGAN識別器を用いる。
  論文  参考訳（メタデータ） (2023-09-22T19:52:28Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)
• 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)
• Inference-InfoGAN: Inference Independence via Embedding Orthogonal Basis Expansion [2.198430261120653]
  解離学習は、生成モデルが一般的な戦略である独立かつ解釈可能な潜在変数を構築することを目的としている。 本稿では,直交基底拡張(OBE)をInfoGANネットワークに組み込むことで,新しいGANベースの非絡み合いフレームワークを提案する。 我々の推論情報GANは、モデル微調整なしで、FactVAE、分離されたferenceAttribute Predictability(SAP)、Mutual Information Gap(MIG)、およびVP(VP)の指標で高い歪みスコアを得る。
  論文  参考訳（メタデータ） (2021-10-02T11:54:23Z)
• 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。