Fugu-MT 論文翻訳(概要): What We Don't C: Representations for scientific discovery beyond VAEs

論文の概要: What We Don't C: Representations for scientific discovery beyond VAEs

arxiv url: http://arxiv.org/abs/2511.09433v1
Date: Thu, 13 Nov 2025 01:54:05 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-13 22:34:54.570071
Title: What We Don't C: Representations for scientific discovery beyond VAEs
Title（参考訳）: VAE以外の科学的発見の表現
Authors: Brian Rogers, Micah Bowles, Chris J. Lintott, Steve Croft,
Abstract要約: 本稿では,残余表現に残る情報から条件付けに含まれる情報を明示的に分離することにより,潜在部分空間をアンタングル化する手法を提案する。この結果から,潜在表現の分析,制御,再調達を行う,シンプルかつ強力な機構が明らかになった。
参考スコア（独自算出の注目度）: 0.11666234644810893
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Accessing information in learned representations is critical for scientific discovery in high-dimensional domains. We introduce a novel method based on latent flow matching with classifier-free guidance that disentangles latent subspaces by explicitly separating information included in conditioning from information that remains in the residual representation. Across three experiments -- a synthetic 2D Gaussian toy problem, colored MNIST, and the Galaxy10 astronomy dataset -- we show that our method enables access to meaningful features of high dimensional data. Our results highlight a simple yet powerful mechanism for analyzing, controlling, and repurposing latent representations, providing a pathway toward using generative models for scientific exploration of what we don't capture, consider, or catalog.
Abstract（参考訳）: 学習表現における情報へのアクセスは、高次元領域における科学的発見にとって重要である。残差表現に残されている情報から条件付けに含まれる情報を明示的に分離することにより、潜在部分空間をアンタングルする、分類器のないガイダンスと一致した潜在フローに基づく新しい手法を提案する。合成2Dガウスの玩具問題、色付きMNIST、Galaxy10天文学データセットの3つの実験で、我々の手法は高次元データの有意義な特徴にアクセスできることを示した。我々の結果は、潜在表現を分析し、制御し、再調達するためのシンプルで強力なメカニズムを強調し、生成モデルを使用して、私たちが捉えていないもの、考慮しないもの、カタログを科学的に探索するための道筋を提供する。

関連論文リスト

Enhancing Generalizability of Representation Learning for Data-Efficient 3D Scene Understanding [50.448520056844885]
本研究では,実世界のパターンを持つ多様な合成シーンを生成可能なベイズネットワークを提案する。一連の実験は、既存の最先端の事前学習手法に比べて、我々の手法が一貫した優位性を示す。
論文参考訳（メタデータ） (2024-06-17T07:43:53Z)
Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations [0.0]
我々は、幅広いシミュレーションから有用な科学的洞察を得るための、新しい、偏見のない、機械学習に基づくアプローチについて説明する。我々の概念は、低次元空間におけるデータのコンパクトな表現を学習するために非線形次元削減を適用することに基づいている。本稿では、回転不変な超球面変動畳み込み自己エンコーダを用いて、潜時空間の電力分布を利用して、IllustrisTNGシミュレーションから銀河を訓練したプロトタイプを提案する。
論文参考訳（メタデータ） (2024-06-06T07:34:58Z)
A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
論文参考訳（メタデータ） (2023-05-30T13:58:50Z)
Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
論文参考訳（メタデータ） (2022-09-29T15:24:47Z)
IDLat: An Importance-Driven Latent Generation Method for Scientific Data [12.93181915755184]
本稿では,領域的関心を持つ科学的データ可視化と分析を容易にするために,新しい重要性駆動型潜伏表現を提案する。空間的重要度マップを用いて、様々な科学的関心を表現し、特徴変換ネットワークの入力として、潜在世代を導く。
論文参考訳（メタデータ） (2022-08-05T18:23:22Z)
The Manifold Hypothesis for Gradient-Based Explanations [55.01671263121624]
勾配に基づく説明アルゴリズムは知覚的に整合した説明を提供する。特徴属性がデータの接する空間と一致しているほど、知覚的に一致している傾向にあることを示す。説明アルゴリズムは、その説明をデータ多様体と整合させるよう積極的に努力すべきである。
論文参考訳（メタデータ） (2022-06-15T08:49:24Z)
Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
論文参考訳（メタデータ） (2022-01-07T22:26:33Z)
Pure Exploration in Kernel and Neural Bandits [90.23165420559664]
我々は、特徴表現の次元が腕の数よりもはるかに大きい帯域における純粋な探索について研究する。そこで本研究では,各アームの特徴表現を低次元空間に適応的に埋め込む手法を提案する。
論文参考訳（メタデータ） (2021-06-22T19:51:59Z)
Dominant motion identification of multi-particle system using deep learning from video [0.0]
本研究では,高度システムの実世界映像から関連情報を抽出するディープラーニングフレームワークを提案する。本手法は,アリ,シロアリ,魚の閉じ込められた多エージェント/粒子系のビデオで実証する。さらに,これらの多様なシステムがどのようにして基礎となる振る舞いを予測できるかを考察する。
論文参考訳（メタデータ） (2021-04-26T17:10:56Z)
Latent Feature Representation via Unsupervised Learning for Pattern Discovery in Massive Electron Microscopy Image Volumes [4.278591555984395]
特に,データセットにおける意味的類似性を捉える潜在表現を学ぶための教師なしのディープラーニングアプローチを提案する。動物脳の比較的小さな部分でもテラバイトの画像を要求できるナノスケールの電子顕微鏡データに適用する手法の有用性を実証する。
論文参考訳（メタデータ） (2020-12-22T17:14:19Z)
IntroVAC: Introspective Variational Classifiers for Learning Interpretable Latent Subspaces [6.574517227976925]
IntroVACは、追加ラベルから情報を活用することで、解釈可能な潜在部分空間を学習する。 IntroVACは、画像属性の微調整を可能にする潜在空間における意味のある方向を学習可能であることを示す。
論文参考訳（メタデータ） (2020-08-03T10:21:41Z)

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。