論文の概要: Learning Holographic Reduced Representations with Clifford Variational Autoencoders
- arxiv url: http://arxiv.org/abs/2609.28409v1
- Date: Wed, 23 Sep 2026 17:10:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 00:05:18.130531
- Title: Learning Holographic Reduced Representations with Clifford Variational Autoencoders
- Title（参考訳）: クリフォード変分オートエンコーダを用いたホログラフィ還元表現の学習
- Abstract要約: 本稿では、任意の次元でクリフォードトーラスにデータを投影することを学ぶ変分オートエンコーダClifford-VAEを提案する。
MNIST、FashionMNIST、CIFAR-10のデータセットを用いた実験では、クリフォードVAEがガウスや超球面のVAEと競合する表現を生成することを示した。
- 参考スコア（独自算出の注目度）: 0.26431034854118596
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vector Symbolic Algebras project data structures into a hyperdimensional vector space through the application of their vector algebras to randomly generated atomic vector symbols and fractional power encodings of real-valued data. Embedding unstructured data remains an open question. We present \textit{Clifford-VAE}, a variational autoencoder that learns to project data onto a Clifford torus in arbitrary dimensions. Experiments using the MNIST, FashionMNIST, and CIFAR-10 datasets demonstrate that Clifford-VAE produces representations that are competitive with those produced by Gaussian and Hyperspherical VAEs for semi-supervised classification tasks while outperforming Gaussian and Hyperspherical counterparts in the VSA benchmark tests of self-binding and unbinding, role-filler recovery, and bundle capacity. Clifford-VAE provides a principled technique for grounding perceptual data into a symbolic reasoning framework, providing a new approach to a long-standing problem in the VSA literature.
- Abstract（参考訳）: ベクトルシンボリック代数は、ベクトル代数のランダムに生成された原子ベクトル記号や実数値データの分数的パワーエンコーディングへの応用を通じて、超次元ベクトル空間にデータ構造を形成する。
構造化されていないデータを埋め込むことは、未解決の問題だ。
本稿では、任意の次元でクリフォードトーラスにデータを投影することを学ぶ変分オートエンコーダである「textit{Clifford-VAE}」を提案する。
MNIST、FashionMNIST、CIFAR-10データセットを用いた実験では、クリフォードVAEは半教師付き分類タスクでガウス式と超球形VAEが生成したものと競合する表現を生成し、VSAベンチマークテストではガウス型と超球形を上回り、自己結合性、非結合性、ロールフィラーリカバリ、バンドルキャパシティが試験された。
Clifford-VAEは、知覚データを象徴的な推論フレームワークにグルーピングするための原則化された技術を提供し、VSA文学における長年の問題に対する新しいアプローチを提供する。
関連論文リスト
- VAE with Hyperspherical Coordinates: Improving Anomaly Detection from Hypervolume-Compressed Latent Space [56.362776482614976]
変分オートエンコーダ(VAE)は、これらのベクトルをデータに復号する前に、データを低次元の潜在ベクトルに符号化する。
本稿では,超球面座標を用いてVAEの潜伏変数を定式化し,超球面上の所定の方向に向かって潜伏ベクトルを圧縮する手法を提案する。
これにより、VAEの完全な教師なしおよびOOD異常検出能力が向上し、検討したデータセット上で最高のパフォーマンスを達成できることが示される。
論文 参考訳（メタデータ） (2026-01-25T03:10:24Z) - Improving the Generation of VAEs with High Dimensional Latent Spaces by the use of Hyperspherical Coordinates [59.4526726541389]
変分オートエンコーダ(VAE)は、これらのベクトルをデータに復号する前に、データを低次元の潜在ベクトルに符号化する。
本稿では,計算オーバーヘッドが制限された潜在空間のパラメータ化を提案する。
論文 参考訳（メタデータ） (2025-07-21T05:10:43Z) - Disentanglement via Latent Quantization [60.37109712033694]
本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。
本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
論文 参考訳（メタデータ） (2023-05-28T06:30:29Z) - Targeted Analysis of High-Risk States Using an Oriented Variational
Autoencoder [3.494548275937873]
可変オートエンコーダ(VAE)ニューラルネットワークは、電力系統状態を生成するために訓練することができる。
VAEの潜在空間符号の座標は、データの概念的特徴と相関することが示されている。
本稿では、遅延空間コードと生成されたデータとのリンクを制限するために、指向性変動オートエンコーダ(OVAE)を提案する。
論文 参考訳（メタデータ） (2023-03-20T19:34:21Z) - Holographic-(V)AE: an end-to-end SO(3)-Equivariant (Variational)
Autoencoder in Fourier Space [0.0]
グループ同変ニューラルネットワークは、分類と回帰タスクを解決するためのデータ効率のよいアプローチとして登場した。
本稿では,Fourier空間におけるホログラフィックオートエンコーダについて述べる。
学習した潜在空間は、球面画像の分類的特徴を効率的に符号化する。
論文 参考訳（メタデータ） (2022-09-30T16:25:20Z) - Computing on Functions Using Randomized Vector Representations [4.066849397181077]
この新しい関数エンコーディングと計算フレームワーク Vector Function Architecture (VFA) と呼ぶ。
我々の分析と結果から,VFAは分散ニューラルネットワークにおける関数の表現と操作のための強力な新しいフレームワークとなっていることが示唆された。
論文 参考訳（メタデータ） (2021-09-08T04:39:48Z) - Dynamical Variational Autoencoders: A Comprehensive Review [23.25573952809074]
動的変分オートエンコーダ(DVAE)と呼ばれるモデルの一般的なクラスを紹介し,議論する。
我々は最近提案された7つのDVAEモデルについて詳述し、表記法とプレゼンテーションラインの均質化を目的としている。
我々は,これらの7つのDVAEモデルを再実装し,音声分析・再合成タスクで実施した実験結果を示す。
論文 参考訳（メタデータ） (2020-08-28T11:49:33Z)
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。