論文の概要: DE-VAE: Revealing Uncertainty in Parametric and Inverse Projections with Variational Autoencoders using Differential Entropy

• arxiv url: http://arxiv.org/abs/2508.12145v1
• Date: Sat, 16 Aug 2025 19:41:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.58621
• Title: DE-VAE: Revealing Uncertainty in Parametric and Inverse Projections with Variational Autoencoders using Differential Entropy
• Title（参考訳）: DE-VAE:差分エントロピーを用いた変分オートエンコーダを用いたパラメトリックおよび逆射影の不確かさの解明
• Authors: Frederik L. Dennig, Daniel A. Keim,
• Abstract要約: 学習されたパラメトリックおよび可逆射影を改善するための不確実性を考慮した変分AEであるDE-VAEを提案する。 固定投影が与えられた場合、2次元空間への写像と元の空間への逆写像を学ぶためにDE-VAEを訓練する。 以上の結果から, DE-VAE は他の AE 法と同等の精度でパラメトリックおよび逆射影を生成できることが示唆された。
• 参考スコア（独自算出の注目度）: 7.038754263799292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, autoencoders (AEs) have gained interest for creating parametric and invertible projections of multidimensional data. Parametric projections make it possible to embed new, unseen samples without recalculating the entire projection, while invertible projections allow the synthesis of new data instances. However, existing methods perform poorly when dealing with out-of-distribution samples in either the data or embedding space. Thus, we propose DE-VAE, an uncertainty-aware variational AE using differential entropy (DE) to improve the learned parametric and invertible projections. Given a fixed projection, we train DE-VAE to learn a mapping into 2D space and an inverse mapping back to the original space. We conduct quantitative and qualitative evaluations on four well-known datasets, using UMAP and t-SNE as baseline projection methods. Our findings show that DE-VAE can create parametric and inverse projections with comparable accuracy to other current AE-based approaches while enabling the analysis of embedding uncertainty.
• Abstract（参考訳）: 近年、オートエンコーダ(AE)は多次元データのパラメトリックおよび可逆射影の作成に関心を寄せている。 パラメトリックプロジェクションは、プロジェクション全体を再計算することなく、新しい、見えないサンプルを埋め込むことができるが、非可逆プロジェクションは、新しいデータインスタンスの合成を可能にする。 しかし、既存の手法は、データまたは埋め込み空間における配布外サンプルを扱う場合、性能が良くない。 そこで本研究では,差分エントロピー(DE)を用いた不確実性を考慮した変動型AEであるDE-VAEを提案し,学習されたパラメトリックおよび可逆射影を改善する。 固定投影が与えられた場合、2次元空間への写像と元の空間への逆写像を学ぶためにDE-VAEを訓練する。 UMAPとt-SNEをベースライン投影法として用いて、4つのよく知られたデータセットに対して定量的、質的な評価を行う。 以上の結果から, DE-VAE は他の AE ベースの手法と同等の精度でパラメトリックおよび逆射影を生成でき, 組込み不確実性の解析が可能であることが示唆された。

関連論文リスト

• Evaluating Autoencoders for Parametric and Invertible Multidimensional Projections [5.605792949080119]
  パラメトリックおよび可逆プロジェクションを作成するための3つのオートエンコーダアーキテクチャを評価する。 与えられた射影に基づいて、2次元空間への写像と元の空間への逆写像を学ぶためにAEを訓練する。 この結果から,AEはフィードフォワードニューラルネットワークよりもスムーズなパラメトリックおよび逆プロジェクションを生成できることが示唆された。
  論文  参考訳（メタデータ） (2025-04-23T15:47:20Z)
• Nonparametric Automatic Differentiation Variational Inference with Spline Approximation [7.5620760132717795]
  複雑な構造を持つ分布に対するフレキシブルな後続近似を可能にする非パラメトリック近似法を開発した。 広く使われている非パラメトリック推論手法と比較して,提案手法は実装が容易であり,様々なデータ構造に適応する。 実験では, 複雑な後続分布の近似における提案手法の有効性を実証し, 不完全データを用いた生成モデルの性能向上を図った。
  論文  参考訳（メタデータ） (2024-03-10T20:22:06Z)
• Automatic Parameterization for Aerodynamic Shape Optimization via Deep Geometric Learning [60.69217130006758]
  空力形状最適化のための形状パラメータ化を完全に自動化する2つの深層学習モデルを提案する。 どちらのモデルも、深い幾何学的学習を通じてパラメータ化し、人間の事前知識を学習された幾何学的パターンに埋め込むように最適化されている。 2次元翼の形状最適化実験を行い、2つのモデルに適用可能なシナリオについて論じる。
  論文  参考訳（メタデータ） (2023-05-03T13:45:40Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Oracle-Preserving Latent Flows [58.720142291102135]
  我々はラベル付きデータセット全体にわたって複数の非自明な連続対称性を同時に発見するための方法論を開発する。 対称性変換と対応するジェネレータは、特別に構築された損失関数で訓練された完全連結ニューラルネットワークでモデル化される。 この研究における2つの新しい要素は、縮小次元の潜在空間の使用と、高次元のオラクルに関して不変な変換への一般化である。
  論文  参考訳（メタデータ） (2023-02-02T00:13:32Z)
• DPVIm: Differentially Private Variational Inference Improved [13.761202518891329]
  多次元統計学の微分プライベート(DP)リリースは、一般的に集合感度を考える。 そのベクトルの次元は様々であり、従ってDP摂動は次元をまたいだ信号に不均等に影響を及ぼす。 変分推論(VI)に用いた場合、DP-SGDアルゴリズムの勾配解法でこの問題を観測する(VI)。
  論文  参考訳（メタデータ） (2022-10-28T07:41:32Z)
• A Model for Multi-View Residual Covariances based on Perspective Deformation [88.21738020902411]
  マルチビューSfM, オードメトリ, SLAMセットアップにおける視覚的残差の共分散モデルの導出を行う。 我々は、合成データと実データを用いてモデルを検証し、それを光度および特徴量に基づくバンドル調整に統合する。
  論文  参考訳（メタデータ） (2022-02-01T21:21:56Z)
• Quantitative Understanding of VAE as a Non-linearly Scaled Isometric Embedding [52.48298164494608]
  変分オートエンコーダ(VAE)は、各入力データに対応する潜伏変数の後方パラメータを推定する。 本稿では,VAEの微分幾何学的および情報理論的解釈を通じて,VAEの特性を定量的に理解する。
  論文  参考訳（メタデータ） (2020-07-30T02:37:46Z)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)

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。