Fugu-MT 論文翻訳(概要): Disjoint Generative Models

論文の概要: Disjoint Generative Models

arxiv url: http://arxiv.org/abs/2507.19700v1
Date: Fri, 25 Jul 2025 22:38:06 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-29 16:23:55.977971
Title: Disjoint Generative Models
Title（参考訳）: 解離生成モデル
Authors: Anton Danholt Lautrup, Muhammad Rajabinasab, Tobias Hyrup, Arthur Zimek, Peter Schneider-Kamp,
Abstract要約: 本稿では,解離生成モデルを用いて断面合成データセットを生成するための新しいフレームワークを提案する。このパラダイムでは、データセットは分離された生成モデルのインスタンスに供給される非結合部分集合に分割される。結果は、共通変数/識別子が存在しない結合操作によってポストホックに結合される。
参考スコア（独自算出の注目度）: 3.1318583335754333
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a new framework for generating cross-sectional synthetic datasets via disjoint generative models. In this paradigm, a dataset is partitioned into disjoint subsets that are supplied to separate instances of generative models. The results are then combined post hoc by a joining operation that works in the absence of common variables/identifiers. The success of the framework is demonstrated through several case studies and examples on tabular data that helps illuminate some of the design choices that one may make. The principal benefit of disjoint generative models is significantly increased privacy at only a low utility cost. Additional findings include increased effectiveness and feasibility for certain model types and the possibility for mixed-model synthesis.
Abstract（参考訳）: 本稿では,解離生成モデルを用いて断面合成データセットを生成するための新しいフレームワークを提案する。このパラダイムでは、データセットは分離された生成モデルのインスタンスに供給される非結合部分集合に分割される。結果は、共通変数/識別子が存在しない結合操作によってポストホックに結合される。フレームワークの成功は、表形式のデータに関するいくつかのケーススタディと例を通して実証され、設計上の選択のいくつかを照らすのに役立つ。解離生成モデルの主な利点は、低コストでプライバシーを著しく向上させることである。追加的な発見は、特定のモデルタイプの有効性と実現可能性の向上と混合モデル合成の可能性である。

関連論文リスト

Synergistic Benefits of Joint Molecule Generation and Property Prediction [6.865957689890204]
Hyformerは、生成関数と予測関数をブレンドするトランスフォーマーベースのジョイントモデルである。我々はHyformerが分子生成と特性予測に同時に最適化されていることを示す。また,新規な抗菌性ペプチドの発見を目的とした医薬品設計における共同学習のメリットを実証した。
論文参考訳（メタデータ） (2025-04-23T09:36:46Z)
Statistical inference on black-box generative models in the data kernel perspective space [10.948308354932639]
ブラックボックス生成モデルの表現結果をモデルレベルの統計的推論タスクに拡張する。モデルレベルの表現は複数の推論タスクに有効であることを示す。
論文参考訳（メタデータ） (2024-10-01T22:28:39Z)
ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
論文参考訳（メタデータ） (2024-05-22T15:23:10Z)
Compositional Generative Modeling: A Single Model is Not All You Need [29.050431676226115]
我々は、より小さな生成モデルを構成することによって、より大規模な生成システムを構築するべきであると論じる。このような構成的生成アプローチによって、よりデータ効率の良い方法で分布を学習できることを示す。
論文参考訳（メタデータ） (2024-02-02T02:40:51Z)
DORE: Document Ordered Relation Extraction based on Generative Framework [56.537386636819626]
本稿では,既存のDocREモデルの根本原因について検討する。本稿では,モデルが学習しやすく,決定論的な関係行列から記号列と順序列を生成することを提案する。 4つのデータセットに対する実験結果から,提案手法は生成型DocREモデルの性能を向上させることができることが示された。
論文参考訳（メタデータ） (2022-10-28T11:18:10Z)
De-Biasing Generative Models using Counterfactual Methods [0.0]
我々はCausal Counterfactual Generative Model (CCGM) と呼ばれる新しいデコーダベースのフレームワークを提案する。提案手法は,因果関係の忠実さを強調するために,因果関係の潜在空間VAEモデルと特定の修正を加えたものである。因果的学習と符号化/復号化が因果的介入の質をいかに高めるかを検討する。
論文参考訳（メタデータ） (2022-07-04T16:53:20Z)
Hybrid Feature- and Similarity-Based Models for Prediction and Interpretation using Large-Scale Observational Data [0.0]
教師付き学習のためのハイブリッド機能と類似性に基づくモデルを提案する。提案したハイブリッドモデルは,カーネル部分の疎性誘導ペナルティを伴う凸最適化に適合する。我々は,本モデルと,合成データを用いた特徴的および類似性に基づくアプローチとを比較し,孤独感や社会的孤立のリスクを予測するためにEHRデータを用いた。
論文参考訳（メタデータ） (2022-04-12T20:37:03Z)
Hierarchical Few-Shot Generative Models [18.216729811514718]
本稿では,ニューラルネットワークを階層的なアプローチに拡張する潜伏変数のアプローチについて検討する。以上の結果から,階層的な定式化は,小データ構造における集合内の内在的変動をよりよく捉えることが示唆された。
論文参考訳（メタデータ） (2021-10-23T19:19:39Z)
Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文参考訳（メタデータ） (2020-10-25T18:51:15Z)
Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文参考訳（メタデータ） (2020-10-12T03:27:07Z)
Partially Conditioned Generative Adversarial Networks [75.08725392017698]
Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
論文参考訳（メタデータ） (2020-07-06T15:59:28Z)
Relating by Contrasting: A Data-efficient Framework for Multimodal Generative Models [86.9292779620645]
生成モデル学習のための対照的なフレームワークを開発し、モダリティ間の共通性だけでなく、「関連」と「関連しない」マルチモーダルデータの区別によってモデルを訓練することができる。提案手法では, 生成モデルを用いて, 関係のないサンプルから関連サンプルを正確に識別し, ラベルのない多モードデータの利用が可能となる。
論文参考訳（メタデータ） (2020-07-02T15:08:11Z)

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。