Fugu-MT 論文翻訳(概要): Variational Learning of Disentangled Representations

論文の概要: Variational Learning of Disentangled Representations

arxiv url: http://arxiv.org/abs/2506.17182v1
Date: Fri, 20 Jun 2025 17:36:12 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-23 19:00:05.567855
Title: Variational Learning of Disentangled Representations
Title（参考訳）: アンタングル表現の変分学習
Authors: Yuli Slavutsky, Ozgur Beker, David Blei, Bianca Dumitrascu,
Abstract要約: 遠方表現は、実験条件間で共有される変動の要因を条件固有である要因と区別することを可能にする。 DISCoVeRは条件不変因子と条件固有因子を明確に分離する新しい変分フレームワークである。 DISCoVeRは, 合成データセット, 自然画像, 単一セルRNA-seqデータにおいて, 歪みを改善できることを示す。
参考スコア（独自算出の注目度）: 2.3713407563738063
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Disentangled representations enable models to separate factors of variation that are shared across experimental conditions from those that are condition-specific. This separation is essential in domains such as biomedical data analysis, where generalization to new treatments, patients, or species depends on isolating stable biological signals from context-dependent effects. While extensions of the variational autoencoder (VAE) framework have been proposed to address this problem, they frequently suffer from leakage between latent representations, limiting their ability to generalize to unseen conditions. Here, we introduce DISCoVeR, a new variational framework that explicitly separates condition-invariant and condition-specific factors. DISCoVeR integrates three key components: (i) a dual-latent architecture that models shared and specific factors separately; (ii) two parallel reconstructions that ensure both representations remain informative; and (iii) a novel max-min objective that encourages clean separation without relying on handcrafted priors, while making only minimal assumptions. Theoretically, we show that this objective maximizes data likelihood while promoting disentanglement, and that it admits a unique equilibrium. Empirically, we demonstrate that DISCoVeR achieves improved disentanglement on synthetic datasets, natural images, and single-cell RNA-seq data. Together, these results establish DISCoVeR as a principled approach for learning disentangled representations in multi-condition settings.
Abstract（参考訳）: 遠方表現は、実験条件間で共有される変動の要因を条件固有である要因と区別することを可能にする。この分離は、新しい治療、患者、種への一般化が、文脈依存的な影響から安定した生物学的信号を分離することに依存する、生体医療データ分析のような領域において必須である。変分オートエンコーダ(VAE)フレームワークの拡張はこの問題に対処するために提案されているが、しばしば潜時表現間のリークに悩まされ、不明瞭な条件に一般化する能力に制限される。ここでは、条件不変および条件固有因子を明示的に分離する新しい変分フレームワークであるdisCoVeRを紹介する。 DISCoVeRは3つの重要なコンポーネントを統合する。 i) 共有された特定の要因を個別にモデル化する二重ラテントアーキテクチャ 2 両表象が情報的であることを保証する2つの平行復元 (三)手作りの先行を頼らずに清潔な分離を奨励し、最小限の仮定のみを行う新しい極小目標。理論的には、この目的は絡み合いを促進しながらデータ可能性を最大化し、特異な平衡が認められることを示す。実験により, DisCoVeRは, 合成データセット, 自然画像, 単一セルRNA-seqデータにおいて, 歪みを改善できることを実証した。これらの結果から,多条件環境下での不整合表現を学習するための原則的アプローチとしてdisCoVeRが確立された。

関連論文リスト

Spectral decomposition-assisted multi-study factor analysis [7.925272817108244]
免疫細胞間の遺伝子関連性に関する3つの研究を統合する方法が適用された。ファクタローディングの条件付き分布は、結果にまたがる単純な積形式を持つ。
論文参考訳（メタデータ） (2025-02-20T14:33:40Z)
Sequential Representation Learning via Static-Dynamic Conditional Disentanglement [58.19137637859017]
本稿では,ビデオ中の時間非依存要因と時間変化要因を分離することに着目し,逐次的データ内での自己教師付き不整合表現学習について検討する。本稿では,静的/動的変数間の因果関係を明示的に考慮し,それらの因子間の通常の独立性仮定を破る新しいモデルを提案する。実験により、提案手法は、シーンのダイナミックスが内容に影響されるシナリオにおいて、従来の複雑な最先端技術よりも優れていることが示された。
論文参考訳（メタデータ） (2024-08-10T17:04:39Z)
Combining propensity score methods with variational autoencoders for generating synthetic data in presence of latent sub-groups [0.0]
ヘテロジニティは、例えば、サブグループラベルによって示されるように知られ、あるいは未知であり、双曲性や歪みのような分布の性質にのみ反映されるかもしれない。本研究では,変分オートエンコーダ(VAE)から合成データを取得する際に,このような異種性をどのように保存し,制御するかを検討する。
論文参考訳（メタデータ） (2023-12-12T22:49:24Z)
Nonparametric Identifiability of Causal Representations from Unknown Interventions [63.1354734978244]
本研究では, 因果表現学習, 潜伏因果変数を推定するタスク, およびそれらの変数の混合から因果関係を考察する。我々のゴールは、根底にある真理潜入者とその因果グラフの両方を、介入データから解決不可能なあいまいさの集合まで識別することである。
論文参考訳（メタデータ） (2023-06-01T10:51:58Z)
On the Interventional Kullback-Leibler Divergence [11.57430292133273]
因果モデル間の構造的差異と分布的差異を定量化するために、Interventional Kullback-Leibler divergenceを導入する。本稿では,介入対象に対する十分な条件を提案し,モデルが確実に一致または一致しない観察変数のサブセットを同定する。
論文参考訳（メタデータ） (2023-02-10T17:03:29Z)
Score-based Causal Representation Learning with Interventions [54.735484409244386]
本稿では,潜在因果変数を間接的に観察する際の因果表現学習問題について検討する。目的は、 (i) 未知の線形変換(スケーリングまで)を回復し、 (ii) 潜在変数の下の有向非巡回グラフ(DAG)を決定することである。
論文参考訳（メタデータ） (2023-01-19T18:39:48Z)
Learning Invariant Representations under General Interventions on the Response [2.725698729450241]
線形構造因果モデル(SCM)に着目し、不変整合性(IMP)を導入する。離散環境と連続環境の両方において,本手法の一般化誤差を解析する。
論文参考訳（メタデータ） (2022-08-22T03:09:17Z)
Heterogeneous Target Speech Separation [52.05046029743995]
我々は,非相互排他的概念を用いて興味のあるソースを区別できる単一チャネルターゲットソース分離のための新しいパラダイムを提案する。提案する異種分離フレームワークは,分散シフトが大きいデータセットをシームレスに利用することができる。
論文参考訳（メタデータ） (2022-04-07T17:14:20Z)
Towards Robust and Adaptive Motion Forecasting: A Causal Representation Perspective [72.55093886515824]
本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
論文参考訳（メタデータ） (2021-11-29T18:59:09Z)
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。