Fugu-MT 論文翻訳(概要): SEDGE: Structural Extrapolated Data Generation

論文の概要: SEDGE: Structural Extrapolated Data Generation

arxiv url: http://arxiv.org/abs/2604.02482v1
Date: Thu, 02 Apr 2026 19:30:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-06 17:20:24.185364
Title: SEDGE: Structural Extrapolated Data Generation
Title（参考訳）: SEDGE: 構造的外挿データ生成
Authors: Kun Zhang, Jiaqi Sun, Yiqing Li, Ignavier Ng, Namrata Deka, Shaoan Xie,
Abstract要約: 我々は、新しい仕様を満たすデータを確実に生成できる条件を提供する。アルゴリズム面では、外挿データ生成を実現するための実用的な手法を開発する。提案手法の有効性を示すために,外挿画像生成を実世界のシナリオとみなす。
参考スコア（独自算出の注目度）: 22.36517576111142
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper proposes a framework for Structural Extrapolated Data GEneration (SEDGE) based on suitable assumptions on the underlying data generating process. We provide conditions under which data satisfying new specifications can be generated reliably, together with the approximate identifiability of the distribution of such data under certain ``conservative" assumptions. On the algorithmic side, we develop practical methods to achieve extrapolated data generation, based on the structure-informed optimization strategy or diffusion posterior sampling, respectively. We verify the extrapolation performance on synthetic data and also consider extrapolated image generation as a real-world scenario to illustrate the validity of the proposed framework.
Abstract（参考訳）: 本稿では,その基盤となるデータ生成プロセスに関する適切な仮定に基づいて,構造外挿データ探索(SEDGE)のためのフレームワークを提案する。我々は、特定の『保守的』仮定の下で、そのようなデータの分布の近似的識別可能性とともに、新しい仕様を満たすデータを確実に生成できる条件を提供する。アルゴリズム面では,構造インフォームド最適化戦略や拡散後サンプリングに基づいて,外挿データ生成を実現するための実用的な手法を開発した。本稿では,合成データに対する外挿性能を検証するとともに,外挿画像生成を実世界のシナリオとして検討し,提案手法の有効性を示す。

関連論文リスト

Weighted Support Points from Random Measures: An Interpretable Alternative for Generative Modeling [0.0]
ランダムな重み付きサポートポイントに基づく生成モデリングフレームワークを提案する。提案手法は,固定されたデータセットから多種多様で解釈可能なサンプルセットを生成する。提案手法は,ブラックボックス代替品の計算コストのごく一部で,高品質で多様な出力を生成する。
論文参考訳（メタデータ） (2025-08-28T22:58:39Z)
Partial Transportability for Domain Generalization [56.37032680901525]
本稿では, 部分的同定と輸送可能性の理論に基づいて, 対象分布の関数値の有界化に関する新たな結果を紹介する。我々の貢献は、輸送可能性問題に対する最初の一般的な評価手法を提供することである。本稿では,スケーラブルな推論を実現するための勾配に基づく最適化手法を提案する。
論文参考訳（メタデータ） (2025-03-30T22:06:37Z)
(Deep) Generative Geodesics [57.635187092922976]
2つのデータポイント間の類似性を評価するために,新しい測定基準を導入する。我々の計量は、生成距離と生成測地学の概念的定義に繋がる。彼らの近似は、穏やかな条件下で真の値に収束することが証明されている。
論文参考訳（メタデータ） (2024-07-15T21:14:02Z)
Efficient adjustment for complex covariates: Gaining efficiency with DOPE [56.537164957672715]
共変量によって表現される情報のサブセットを調整可能なフレームワークを提案する。理論的な結果に基づいて,平均処理効果(ATE)の効率的な評価を目的とした,デバイアスドアウトカム適応確率推定器(DOPE)を提案する。その結果,DOPE は様々な観測環境において ATE 推定のための効率的かつ堅牢な手法を提供することがわかった。
論文参考訳（メタデータ） (2024-02-20T13:02:51Z)
Unifying Invariance and Spuriousity for Graph Out-of-Distribution via Probability of Necessity and Sufficiency [19.49531172542614]
Invariant Substructure (PNSIS) の抽出に必要かつ十分である確率を利用する統一的な枠組みを提案する。いくつかのベンチマークでグラフOODの最先端技術よりも優れています。
論文参考訳（メタデータ） (2024-02-14T13:31:53Z)
Data-Driven Sample Average Approximation with Covariate Information [0.0]
我々は、コパラメトリックの同時観測とともに、最適化モデル内の不確実なパラメータの観測を行う際に、データ駆動意思決定のための最適化について検討する。本稿では,機械学習予測モデルをプログラムサンプル平均近似(SAA)に組み込んだ3つのデータ駆動フレームワークについて検討する。
論文参考訳（メタデータ） (2022-07-27T14:45:04Z)
Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks: Theory, Methods, and Algorithms [2.266704469122763]
本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
論文参考訳（メタデータ） (2021-03-18T11:34:08Z)
Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
論文参考訳（メタデータ） (2021-02-27T06:13:59Z)
Improving Generative Adversarial Networks with Local Coordinate Coding [150.24880482480455]
GAN(Generative Adversarial Network)は、事前定義された事前分布から現実的なデータを生成することに成功している。実際には、意味情報はデータから学んだ潜在的な分布によって表現される。ローカル座標符号化(LCC)を用いたLCCGANモデルを提案する。
論文参考訳（メタデータ） (2020-07-28T09:17:50Z)
Partially Conditioned Generative Adversarial Networks [75.08725392017698]
Generative Adversarial Networks (GAN)は、実世界のトレーニングデータセットの基盤となる確率分布を暗黙的にモデル化することで、人工データセットを合成する。条件付きGANとその変種の導入により、これらの手法はデータセット内の各サンプルで利用可能な補助情報に基づいて条件付きサンプルを生成するように拡張された。本研究では,標準条件付きGANがそのようなタスクに適さないことを論じ,新たなAdversarial Networkアーキテクチャとトレーニング戦略を提案する。
論文参考訳（メタデータ） (2020-07-06T15:59:28Z)

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。