論文の概要: Latent Space Inference via Paired Autoencoders

• arxiv url: http://arxiv.org/abs/2601.11397v1
• Date: Fri, 16 Jan 2026 16:08:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.545787
• Title: Latent Space Inference via Paired Autoencoders
• Title（参考訳）: ペアオートエンコーダによる潜時空間推論
• Authors: Emma Hart, Bas Peters, Julianne Chung, Matthias Chung,
• Abstract要約: この研究は、ペア化されたオートエンコーダ上に構築された新しいデータ駆動潜在空間推論フレームワークについて述べる。 提案手法では,パラメータ空間用と観測空間用という2つのオートエンコーダを用いて,オートエンコーダの潜在空間間の学習マッピングによって接続する。
• 参考スコア（独自算出の注目度）: 0.612477318852572
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work describes a novel data-driven latent space inference framework built on paired autoencoders to handle observational inconsistencies when solving inverse problems. Our approach uses two autoencoders, one for the parameter space and one for the observation space, connected by learned mappings between the autoencoders' latent spaces. These mappings enable a surrogate for regularized inversion and optimization in low-dimensional, informative latent spaces. Our flexible framework can work with partial, noisy, or out-of-distribution data, all while maintaining consistency with the underlying physical models. The paired autoencoders enable reconstruction of corrupted data, and then use the reconstructed data for parameter estimation, which produces more accurate reconstructions compared to paired autoencoders alone and end-to-end encoder-decoders of the same architecture, especially in scenarios with data inconsistencies. We demonstrate our approaches on two imaging examples in medical tomography and geophysical seismic-waveform inversion, but the described approaches are broadly applicable to a variety of inverse problems in scientific and engineering applications.
• Abstract（参考訳）: この研究は、逆問題を解決する際に観測上の不整合を処理するためにペア化されたオートエンコーダ上に構築された新しいデータ駆動潜在空間推論フレームワークについて述べる。 提案手法では,パラメータ空間用と観測空間用という2つのオートエンコーダを用いて,オートエンコーダの潜在空間間の学習マッピングによって接続する。 これらの写像は、低次元、情報的潜在空間における正規化反転と最適化の代用を可能にする。 私たちのフレキシブルなフレームワークは、基礎となる物理モデルとの整合性を維持しながら、部分的、ノイズ、あるいはアウト・オブ・ディストリビューションデータを扱うことができます。 ペア化されたオートエンコーダは、破損したデータの再構成を可能にし、特にデータ不整合のあるシナリオにおいて、ペア化されたオートエンコーダ単独と、同じアーキテクチャのエンドツーエンドエンコーダデコーダよりも正確な再構成を生成するパラメータ推定に再構成データを使用する。 医用トモグラフィーと物理地震波形インバージョンにおける2つの画像例に対するアプローチを実証するが,本手法は科学的・工学的応用における様々な逆問題に適用可能である。

関連論文リスト

• Diffusion Autoencoders with Perceivers for Long, Irregular and Multimodal Astronomical Sequences [47.1547360356314]
  パーシーバー付き拡散オートエンコーダ(deep)について紹介する。 daepは異種の測定をトークン化し、Perceiverエンコーダで圧縮し、Perceiver-IO拡散デコーダで再構成する。 様々な分光学的および測光的な天文学的なデータセットにわたって、ディープは低い再構成誤差を達成し、より差別的な潜在空間を生成し、より微細な構造を保存している。
  論文  参考訳（メタデータ） (2025-10-23T14:21:01Z)
• Torsion in Persistent Homology and Neural Networks [0.0]
  我々は、符号化中にねじれが失われ、潜伏空間で変化し、多くの場合、標準デコーダによって再構成されないことを示す。 本研究は, フィールドベースアプローチの重要な限界を明らかにし, ねじれ情報を保存するアーキテクチャや損失項の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-06-03T16:29:06Z)
• Good Things Come in Pairs: Paired Autoencoders for Inverse Problems [0.0]
  我々は,科学計算における逆問題解決の強力なツールであることが証明された,自己エンコーダフレームワークに注目する。 本稿では, 非線形および線形逆問題を含む, 地震イメージングや古典的塗装を含む数値実験を通じて, このアプローチの利点を解説する。
  論文  参考訳（メタデータ） (2025-05-10T07:31:09Z)
• Triple-Encoders: Representations That Fire Together, Wire Together [51.15206713482718]
  コントラスト学習(Contrastive Learning)は、バイエンコーダを介して発話間の相対距離を埋め込み空間に符号化する表現学習法である。 本研究では,これら独立に符号化された発話から分散発話混合物を効率よく計算する三重エンコーダを提案する。 トリプルエンコーダはバイエンコーダよりも大幅に改善され、シングルベクトル表現モデルよりもゼロショットの一般化が向上することがわかった。
  論文  参考訳（メタデータ） (2024-02-19T18:06:02Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• Dataset Condensation with Latent Space Knowledge Factorization and Sharing [73.31614936678571]
  与えられたデータセットの規則性を利用してデータセットの凝縮問題を解決する新しい手法を提案する。 データセットを元の入力空間に直接凝縮するのではなく、学習可能な一連のコードでデータセットの生成プロセスを仮定する。 提案手法は,様々なベンチマークデータセットに対して,有意なマージンで新しい最先端記録を達成できることを実験的に示す。
  論文  参考訳（メタデータ） (2022-08-21T18:14:08Z)
• Neural Distributed Source Coding [59.630059301226474]
  相関構造に依存せず,高次元までスケール可能な損失DSCのためのフレームワークを提案する。 提案手法は,複数のデータセット上で評価し,複雑な相関関係と最先端PSNRを扱えることを示す。
  論文  参考訳（メタデータ） (2021-06-05T04:50:43Z)
• Learning Autoencoders with Relational Regularization [89.53065887608088]
  データ分散のオートエンコーダを学習するための新しいフレームワークを提案する。 エンフレレーショナル正規化によるモデルと対象分布の差を最小限にする 我々はこのフレームワークを2つのスケーラブルアルゴリズムで実装し、確率的および決定論的オートエンコーダの両方に適用する。
  論文  参考訳（メタデータ） (2020-02-07T17:27:30Z)

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。