Fugu-MT 論文翻訳(概要): Generative Model via Quantile Assignment

論文の概要: Generative Model via Quantile Assignment

arxiv url: http://arxiv.org/abs/2602.18216v1
Date: Fri, 20 Feb 2026 13:52:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-23 18:01:41.34062
Title: Generative Model via Quantile Assignment
Title（参考訳）: 量子割り当てによる生成モデル
Authors: Georgi Hrusanov, Oliver Y. Chén, Julien S. Bodelet,
Abstract要約: 我々は,低次元の潜在表現を暗黙的に学習することで,補助的ネットワークの必要性を解消する新しい生成パラダイムであるNeuroを提案する。神経は、合成画像と真正画像とより強い知覚/構造的忠実度の間の平均ピクセル距離を全体的に低くする。
参考スコア（独自算出の注目度）: 1.618190323879119
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Deep Generative models (DGMs) play two key roles in modern machine learning: (i) producing new information (e.g., image synthesis) and (ii) reducing dimensionality. However, traditional architectures often rely on auxiliary networks such as encoders in Variational Autoencoders (VAEs) or discriminators in Generative Adversarial Networks (GANs), which introduce training instability, computational overhead, and risks like mode collapse. We present NeuroSQL, a new generative paradigm that eliminates the need for auxiliary networks by learning low-dimensional latent representations implicitly. NeuroSQL leverages an asymptotic approximation that expresses the latent variables as the solution to an optimal transportation problem. Specifically, NeuroSQL learns the latent variables by solving a linear assignment problem and then passes the latent information to a standalone generator. We benchmark its performance against GANs, VAEs, and a budget-matched diffusion baseline on four datasets: handwritten digits (MNIST), faces (CelebA), animal faces (AFHQ), and brain images (OASIS). Compared to VAEs, GANs, and diffusion models: (1) in terms of image quality, NeuroSQL achieves overall lower mean pixel distance between synthetic and authentic images and stronger perceptual/structural fidelity; (2) computationally, NeuroSQL requires the least training time; and (3) practically, NeuroSQL provides an effective solution for generating synthetic data with limited training samples. By embracing quantile assignment rather than an encoder, NeuroSQL provides a fast, stable, and robust way to generate synthetic data with minimal information loss.
Abstract（参考訳）: ディープラーニングモデル(DGM)は、現代の機械学習において2つの重要な役割を担っている。 (i)新しい情報(例、画像合成)を作成して (II)次元性を減らすこと。しかし、従来のアーキテクチャは、変分オートエンコーダ(VAE)のエンコーダや、GAN(Generative Adversarial Networks)の識別器のような補助的ネットワークに依存しており、トレーニング不安定性、計算オーバーヘッド、モード崩壊のようなリスクが伴う。我々は,低次元の潜在表現を暗黙的に学習することで,補助的ネットワークの必要性を解消する新しい生成パラダイムであるNeuroSQLを提案する。 NeuroSQLは、最適輸送問題の解として潜伏変数を表現する漸近近似を利用する。具体的には、NeuroSQLは線形代入問題を解くことで潜伏変数を学習し、潜伏情報をスタンドアロンのジェネレータに渡す。我々は,手書き桁(MNIST),顔(CelebA),動物顔(AFHQ),脳画像(OASIS)の4つのデータセットに対して,GAN,VAE,予算整合拡散ベースラインに対して,その性能をベンチマークした。 VAE, GAN, 拡散モデルと比較すると, 1) 画像品質の観点からは,NeuroSQLは, 合成画像と真正画像間の平均ピクセル距離が全体的に低く, 知覚的/構造的忠実度が強く, (2) 計算上,NeuroSQLは最小のトレーニング時間を必要とし, (3) 現実的には, 限られたトレーニングサンプルで合成データを生成するための有効なソリューションを提供する。エンコーダではなく量子割り当てを採用することにより、NeuroSQLは、情報損失を最小限に抑えた、高速で安定した、堅牢な合成データを生成する方法を提供する。

関連論文リスト

Neuroprobe: Evaluating Intracranial Brain Responses to Naturalistic Stimuli [13.536940903353768]
高解像度のニューラルデータセットは、次世代の脳-コンピュータインタフェースと神経学的治療の基礎モデルを可能にする。 Neuroprobeは、脳内のマルチモーダル言語処理を研究するためのデコードタスクのスイートである。 NeuroprobeはBrainTreebankのデータセット上に構築されており、10人の被験者から40時間のiEEG録音が自然主義映画視聴タスクを実行している。
論文参考訳（メタデータ） (2025-09-25T22:38:53Z)
Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
論文参考訳（メタデータ） (2024-11-07T14:08:35Z)
MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文参考訳（メタデータ） (2024-04-11T15:46:42Z)
Training Deep Surrogate Models with Large Scale Online Learning [48.7576911714538]
ディープラーニングアルゴリズムは、PDEの高速解を得るための有効な代替手段として登場した。モデルは通常、ソルバによって生成された合成データに基づいてトレーニングされ、ディスクに格納され、トレーニングのために読み返される。ディープサロゲートモデルのためのオープンソースのオンライントレーニングフレームワークを提案する。
論文参考訳（メタデータ） (2023-06-28T12:02:27Z)
Brain Network Transformer [13.239896897835191]
脳ネットワーク解析のためのトランスフォーマーモデルについて検討する。データの特徴によって駆動される私たちは、脳ネットワークを、一定のサイズと順序のノードを持つグラフとしてモデル化します。我々は、ABIDEの大規模脳ネットワークデータセットとして唯一公開されているものについて、評価パイプラインを再標準化する。
論文参考訳（メタデータ） (2022-10-13T02:30:06Z)
A Spiking Neural Network based on Neural Manifold for Augmenting Intracortical Brain-Computer Interface Data [5.039813366558306]
脳-コンピュータインターフェース(BCI)は、脳内の神経信号をインストラクションに変換して外部デバイスを制御する。高度な機械学習手法の出現により、脳-コンピュータインタフェースの能力はかつてないほど強化された。ここでは、データジェネレータとしてスパイキングニューラルネットワーク(SNN)を用いる。
論文参考訳（メタデータ） (2022-03-26T15:32:31Z)
EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文参考訳（メタデータ） (2022-02-21T18:59:03Z)
Learning identifiable and interpretable latent models of high-dimensional neural activity using pi-VAE [10.529943544385585]
本稿では,潜在モデルと従来のニューラルエンコーディングモデルから重要な要素を統合する手法を提案する。我々の手法であるpi-VAEは、同定可能な変分自動エンコーダの最近の進歩にインスパイアされている。人工データを用いてpi-VAEを検証し,それをラット海馬およびマカク運動野の神経生理学的データセットの解析に応用した。
論文参考訳（メタデータ） (2020-11-09T22:00:38Z)
Exploiting Heterogeneity in Operational Neural Networks by Synaptic Plasticity [87.32169414230822]
最近提案されたネットワークモデルであるオペレーショナルニューラルネットワーク(ONN)は、従来の畳み込みニューラルネットワーク(CNN)を一般化することができる。本研究では, 生体ニューロンにおける本質的な学習理論を示すSynaptic Plasticityパラダイムに基づいて, ネットワークの隠蔽ニューロンに対する最強演算子集合の探索に焦点をあてる。高難易度問題に対する実験結果から、神経細胞や層が少なくても、GISベースのONNよりも優れた学習性能が得られることが示された。
論文参考訳（メタデータ） (2020-08-21T19:03:23Z)

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。