論文の概要: Cloud Model Characteristic Function Auto-Encoder: Integrating Cloud Model Theory with MMD Regularization for Enhanced Generative Modeling
- arxiv url: http://arxiv.org/abs/2508.04447v1
- Date: Wed, 06 Aug 2025 13:44:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.738997
- Title: Cloud Model Characteristic Function Auto-Encoder: Integrating Cloud Model Theory with MMD Regularization for Enhanced Generative Modeling
- Title（参考訳）: クラウドモデル特性関数オートエンコーダ:クラウドモデル理論とMDD正規化の統合による生成モデルの改良
- Authors: Biao Hu, Guoyin Wang,
- Abstract要約: 本稿では,クラウドモデルをWasserstein Auto-Encoder(WAE)フレームワークに統合する新しい生成モデルであるCMCFAEを紹介する。
クラウドモデルの特徴関数を利用して潜在空間を正規化することにより、複雑なデータ分布のより正確なモデリングを可能にする。
- 参考スコア（独自算出の注目度）: 9.699572655226309
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Cloud Model Characteristic Function Auto-Encoder (CMCFAE), a novel generative model that integrates the cloud model into the Wasserstein Auto-Encoder (WAE) framework. By leveraging the characteristic functions of the cloud model to regularize the latent space, our approach enables more accurate modeling of complex data distributions. Unlike conventional methods that rely on a standard Gaussian prior and traditional divergence measures, our method employs a cloud model prior, providing a more flexible and realistic representation of the latent space, thus mitigating the homogenization observed in reconstructed samples. We derive the characteristic function of the cloud model and propose a corresponding regularizer within the WAE framework. Extensive quantitative and qualitative evaluations on MNIST, FashionMNIST, CIFAR-10, and CelebA demonstrate that CMCFAE outperforms existing models in terms of reconstruction quality, latent space structuring, and sample diversity. This work not only establishes a novel integration of cloud model theory with MMD-based regularization but also offers a promising new perspective for enhancing autoencoder-based generative models.
- Abstract（参考訳）: 本稿では,クラウドモデルをWasserstein Auto-Encoder(WAE)フレームワークに統合する新しい生成モデルであるCMCFAEを紹介する。
クラウドモデルの特徴関数を利用して潜在空間を正規化することにより、複雑なデータ分布のより正確なモデリングを可能にする。
本手法では,従来のガウス測度や従来の発散度に依存する従来の手法とは異なり,雲モデルを用いて遅延空間のより柔軟で現実的な表現を実現し,再構成標本で観測される均質化を緩和する。
本稿では,クラウドモデルの特徴関数を導出し,WAEフレームワーク内で対応する正規化器を提案する。
MNIST, FashionMNIST, CIFAR-10, CelebAの大規模定量定性的評価は, CMCFAEが復元品質, 潜時空間構造, サンプルの多様性において, 既存のモデルより優れていることを示した。
この研究は、クラウドモデル理論とMDDベースの正規化との新たな統合を確立するだけでなく、オートエンコーダベースの生成モデルを強化するための有望な新しい視点を提供する。
関連論文リスト
- Structured Generative Modeling with the Thermodynamic Kolmogorov-Arnold Model [0.0]
生成モデルに対するコルモゴロフ・アルノルド表現定理の新たな適応法を提案する。
熱力学的コルモゴロフ・アルノルドモデル(T-KAM)を構造的および誘導的バイアスの新しい枠組みとして導入する。
T-KAMは、生成モデリングにおける一般的なトレードオフのエレガントなバランスを提供し、高速な推論、高いサンプル品質、安定したトレーニングを提供する。
論文 参考訳（メタデータ） (2025-06-17T04:07:32Z) - Jet: A Modern Transformer-Based Normalizing Flow [62.2573739835562]
本稿では,結合型正規化フローモデルの設計を再考する。
よりシンプルなアーキテクチャで、最先端の定量的、質的なパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2024-12-19T18:09:42Z) - Enhancing Generative Molecular Design via Uncertainty-guided Fine-tuning of Variational Autoencoders [2.0701439270461184]
事前学習された生成分子設計モデルにとって重要な課題は、下流の設計タスクに適するように微調整することである。
本研究では,生成不確実性デコーダ(VAE)に基づくGMDモデルに対して,アクティブな環境下での性能フィードバックによる新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-05-31T02:00:25Z) - EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。
EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文 参考訳（メタデータ） (2024-05-23T05:25:45Z) - Generative Flows on Discrete State-Spaces: Enabling Multimodal Flows with Applications to Protein Co-Design [37.634098563033795]
本稿では、フローベース生成モデルの実現に欠落したリンクを提供する離散データのフローベースモデルを提案する。
私たちの重要な洞察は、連続時間マルコフ連鎖を用いて連続空間フローマッチングの離散的等価性を実現できるということです。
この能力をタンパク質共設計のタスクに適用し、タンパク質の構造と配列を共同生成するモデルを学ぶ。
論文 参考訳（メタデータ） (2024-02-07T16:15:36Z) - ECLM: Efficient Edge-Cloud Collaborative Learning with Continuous
Environment Adaptation [47.35179593006409]
動的エッジ環境に対する高速モデル適応のためのエッジクラウド協調学習フレームワークECLMを提案する。
その結果,ECLM はモデルの性能(例えば 18.89% の精度向上)と資源効率(例えば 7.12 倍の通信コスト削減)を,動的エッジ環境への適応において著しく向上させることを示した。
論文 参考訳（メタデータ） (2023-11-18T14:10:09Z) - A mean-field games laboratory for generative modeling [5.837881923712394]
平均場ゲーム(MFG)は、生成モデルの説明、拡張、設計のためのフレームワークである。
本稿では,MFGの最適条件について検討し,各生成モデルの数学的特性について検討する。
我々は,標準SGMよりも優れた性能を有するHJB正規化SGMを提案し,実演する。
論文 参考訳（メタデータ） (2023-04-26T13:08:50Z) - Distributional Learning of Variational AutoEncoder: Application to
Synthetic Data Generation [0.7614628596146602]
本稿では,VAEフレームワークの計算上の利点を犠牲にすることなく,モデル容量を拡大する手法を提案する。
VAEモデルのデコーダは、非対称ラプラス分布の無限混合からなる。
提案したモデルを合成データ生成に適用し,特にデータプライバシの調整が容易であることを示す。
論文 参考訳（メタデータ） (2023-02-22T11:26:50Z) - Latent Diffusion Energy-Based Model for Interpretable Text Modeling [104.85356157724372]
本稿では,拡散モデルと潜時空間ESMの共生を変動学習フレームワークで導入する。
我々は,学習した潜在空間の品質を向上させるために,情報ボトルネックと合わせて幾何学的クラスタリングに基づく正規化を開発する。
論文 参考訳（メタデータ） (2022-06-13T03:41:31Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z) - 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)
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。