論文の概要: Multivariate Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2511.07472v1
• Date: Wed, 12 Nov 2025 01:01:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-12 20:17:03.346586
• Title: Multivariate Variational Autoencoder
• Title（参考訳）: 多変量変分オートエンコーダ
• Authors: Mehmet Can Yavuz,
• Abstract要約: 斜め後部制限を持ち上げながらガウス的トラクタビリティを保ったVAE変異体を提案する。 MVAEは後続の共分散を分解し、そこでは共役結合行列$mathbfC$がデータセット全体の潜在相関を誘導する。 公正な比較と再利用を容易にするために、トレーニング/評価スクリプトとスイープユーティリティを備えた、完全に再現可能な実装をリリースする。
• 参考スコア（独自算出の注目度）: 0.08460698440162889
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present the Multivariate Variational Autoencoder (MVAE), a VAE variant that preserves Gaussian tractability while lifting the diagonal posterior restriction. MVAE factorizes each posterior covariance, where a \emph{global} coupling matrix $\mathbf{C}$ induces dataset-wide latent correlations and \emph{per-sample} diagonal scales modulate local uncertainty. This yields a full-covariance family with analytic KL and an efficient reparameterization via $\mathbf{L}=\mathbf{C}\mathrm{diag}(\boldsymbolσ)$. Across Larochelle-style MNIST variants, Fashion-MNIST, CIFAR-10, and CIFAR-100, MVAE consistently matches or improves reconstruction (MSE~$\downarrow$) and delivers robust gains in calibration (NLL/Brier/ECE~$\downarrow$) and unsupervised structure (NMI/ARI~$\uparrow$) relative to diagonal-covariance VAEs with matched capacity, especially at mid-range latent sizes. Latent-plane visualizations further indicate smoother, more coherent factor traversals and sharper local detail. We release a fully reproducible implementation with training/evaluation scripts and sweep utilities to facilitate fair comparison and reuse.
• Abstract（参考訳）: 本稿では,多変量変分オートエンコーダ(MVAE)について述べる。 MVAE はそれぞれの後部共分散を分解し、そこで \emph{global} 結合行列 $\mathbf{C}$ はデータセット全体の潜在相関を誘導し、 \emph{per-sample} 対角スケールは局所不確かさを変調する。 これにより、解析的 KL を持つ完全共分散族と $\mathbf{L}=\mathbf{C}\mathrm{diag}(\boldsymbolσ)$ による効率的な再パラメータ化が得られる。 Larochelle スタイルの MNIST 変種である Fashion-MNIST, CIFAR-10, CIFAR-100 にまたがって、MVAE は一貫して整合性(MSE~$\downarrow$)を保ち、キャリブレーション(NLL/Brier/ECE~$\downarrow$)と非教師構造(NMI/ARI~$\uparrow$)において、対角共分散 VAE と整合容量(特に中距離潜時サイズ)に対して堅牢な利得(NMI/ARI~$\uparrow$)を提供する。 後期面の可視化は、よりスムーズで、よりコヒーレントな因子のトラバーサルとよりシャープな局所的な詳細を示す。 公正な比較と再利用を容易にするために、トレーニング/評価スクリプトとスイープユーティリティを備えた、完全に再現可能な実装をリリースする。

関連論文リスト

• Robust Layerwise Scaling Rules by Proper Weight Decay Tuning [50.11170157029911]
  現代のスケール不変アーキテクチャでは、トレーニングは急速に劣化したグラデーション状態に入る。 我々は,AdamWに対して,幅をまたいだサブ層ゲインを保ったウェイトデカイスケーリングルールを導入する。 この結果は,パラメータが設定した定常スケールを明示的に制御することにより,ほぼ入出力体制を超えて$mu$Pを拡大する。
  論文  参考訳（メタデータ） (2025-10-17T02:58:35Z)
• FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
  Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。 Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
  論文  参考訳（メタデータ） (2025-05-19T07:32:56Z)
• Batch, match, and patch: low-rank approximations for score-based variational inference [8.840147522046651]
  ブラックボックス変分推論は高次元問題に対して不十分にスケールする。 スコアベースのBBVIのためのバッチ・アンド・マッチ(BaM)フレームワークを拡張した。 提案手法は,高次元推論における多種多様な合成対象分布と実世界の問題に対して評価する。
  論文  参考訳（メタデータ） (2024-10-29T17:42:56Z)
• Accurate and Scalable Stochastic Gaussian Process Regression via Learnable Coreset-based Variational Inference [8.077736581030264]
  本稿では,ガウス過程(mathcalGP$)回帰に対する新しい帰納的変分推定法を提案する。 従来の推論用自由形式変動型族とは異なり、コアセットベースの変動型 $mathcalGP$ (CVGP) は $mathcalGP$ pre と (重み付き) データの確率で定義される。
  論文  参考訳（メタデータ） (2023-11-02T17:22:22Z)
• Transformers as Support Vector Machines [54.642793677472724]
  自己アテンションの最適化幾何と厳密なSVM問題との間には,形式的等価性を確立する。 勾配降下に最適化された1層変圧器の暗黙バイアスを特徴付ける。 これらの発見は、最適なトークンを分離し選択するSVMの階層としてのトランスフォーマーの解釈を刺激していると信じている。
  論文  参考訳（メタデータ） (2023-08-31T17:57:50Z)
• Higher Order Gauge Equivariant CNNs on Riemannian Manifolds and Applications [7.322121417864824]
  我々はゲージ同変畳み込み(GEVNet)と呼ばれるゲージ同変畳み込みの高次一般化を導入する。 これにより、空間的に拡張された非線形相互作用を、大域的等距離と等値性を維持しながら、与えられた場内でモデル化することができる。 神経画像データ実験では、結果として生じる2部構造を用いて、拡散磁気共鳴画像(dMRI)からLewy Body Disease(DLB)、Alzheimer's Disease(AD)、Parkinson's Disease(PD)を自動判別する。
  論文  参考訳（メタデータ） (2023-05-26T06:02:31Z)
• Unbiased Gradient Estimation for Variational Auto-Encoders using Coupled Markov Chains [34.77971292478243]
  変分オートエンコーダ(VAE)は、オートエンコーダのようなアーキテクチャで2つのニューラルネットワークを持つ、潜伏変数モデルである。 ログ型勾配の偏りのない推定器を導入することにより,VAEのトレーニング手法を開発する。 偏りのない推定器を装着したVAEは予測性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-10-05T08:11:55Z)

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。