論文の概要: DeepFlow: Two Convergent Differentiable Approaches for Pairwise Conditional Random Fields

• arxiv url: http://arxiv.org/abs/2610.16546v1
• Date: Mon, 12 Oct 2026 10:29:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:39:07.557204
• Title: DeepFlow: Two Convergent Differentiable Approaches for Pairwise Conditional Random Fields
• Title（参考訳）: DeepFlow: Pairwise Conditional Random Fieldsのための2つの収束微分可能なアプローチ
• Abstract要約: 画像と信号の分類モデルに対して、このタイプの正規化を可能にするために、証明可能な収束特性を持つ2つのアルゴリズムを示す。 厳密な数学的解析とシリコ実験の両方を通して、これらの解の型間で異なる性能を示すことができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Basic probabilistic models form the basis of modern deep learning largely by defining the final activation layer of a network and allowing the networks outputs to be interpreted through a probabilistic lens. By increasing the complexity of these final activation layers to include features such as spatial regularisation, allow for these models to improve in performance without requiring significantly more data. The challenge however is to ensure that these more complex probabilistic graphical models adapt well to being used in tandem with deep learning, that is, ensuring they converge and have meaningful derivatives. The goal of this paper is to show two algorithms with provable convergence properties to allow this type of regularisation for image and signal classification models. Through both rigorous mathematical analysis and in silico experiments, we can show the differing performance between these solution types.
• Abstract（参考訳）: 基本確率モデルは、ネットワークの最終活性化層を定義し、確率レンズを通してネットワークの出力を解釈できるようにすることによって、現代のディープラーニングの基礎を形成する。 これらの最終的なアクティベーション層の複雑さを拡大して、空間的正則化のような機能を含めることによって、これらのモデルは、はるかに多くのデータを必要とすることなく、パフォーマンスを向上させることができる。 しかし、これらのより複雑な確率的グラフィカルモデルが、深層学習、すなわち、収束し有意義な微分を持つことにうまく適応することを保証することが課題である。 本研究の目的は、画像と信号の分類モデルに対して、このタイプの正規化を可能にするために、証明可能な収束特性を持つ2つのアルゴリズムを示すことである。 厳密な数学的解析とシリコ実験の両方を通して、これらの解の型間で異なる性能を示すことができる。

関連論文リスト

• Preconditioned Inexact Stochastic ADMM for Deep Model [35.37705488695026]
  本稿では,拡張性のある並列コンピューティングを実現するアルゴリズムであるPISAを開発し,様々な前提条件をサポートする。 これは、有界領域上の勾配のリプシッツ連続性の唯一の仮定の下で収束し、メソッドによって一般的に課される他の条件の必要性を取り除く。 様々な最先端の繰り返しに比べて優れた数値性能を示す。
  論文  参考訳（メタデータ） (2025-02-15T12:28:51Z)
• Transferable Post-training via Inverse Value Learning [83.75002867411263]
  別個のニューラルネットワーク(すなわち値ネットワーク)を用いた後学習におけるロジットレベルのモデリング変更を提案する。 このネットワークをデモを使って小さなベースモデルでトレーニングした後、推論中に他のトレーニング済みモデルとシームレスに統合することができる。 得られた値ネットワークは、パラメータサイズの異なる事前学習されたモデル間で広い転送性を有することを示す。
  論文  参考訳（メタデータ） (2024-10-28T13:48:43Z)
• The Convex Landscape of Neural Networks: Characterizing Global Optima and Stationary Points via Lasso Models [75.33431791218302]
  ディープニューラルネットワーク(DNN)モデルは、プログラミング目的に使用される。 本稿では,凸型神経回復モデルについて検討する。 定常的非次元目的物はすべて,グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。 また, 静止非次元目的物はすべて, グローバルサブサンプリング型凸解法プログラムとして特徴付けられることを示す。
  論文  参考訳（メタデータ） (2023-12-19T23:04:56Z)
• Conditional Permutation Invariant Flows [23.740061786510417]
  トラクタブルログ密度を持つ集合値データの条件付き生成確率モデルを提案する。 これらのダイナミクスは、学習可能なセット単位の項とペアの相互作用によって駆動され、どちらもディープニューラルネットワークによってパラメータ化される。 本稿では,(1)視覚的に特定された地図情報に条件付けされた複雑な交通シーン生成,(2)画像に直接条件付けされたオブジェクト境界ボックス生成などのアプリケーションを通じて,このモデルの有用性を解説する。
  論文  参考訳（メタデータ） (2022-06-17T21:43:38Z)
• Joint Estimation of Image Representations and their Lie Invariants [57.3768308075675]
  画像は世界の状態とコンテンツの両方をエンコードする。 この情報の自動抽出は、画像表現に固有の高次元かつ絡み合った符号化のために困難である。 本稿では,これらの課題の解決を目的とした2つの理論的アプローチを紹介する。
  論文  参考訳（メタデータ） (2020-12-05T00:07:41Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• SODEN: A Scalable Continuous-Time Survival Model through Ordinary Differential Equation Networks [14.564168076456822]
  本稿では、ニューラルネットワークとスケーラブルな最適化アルゴリズムを用いた生存分析のためのフレキシブルモデルを提案する。 提案手法の有効性を,既存の最先端ディープラーニングサバイバル分析モデルと比較した。
  論文  参考訳（メタデータ） (2020-08-19T19:11:25Z)
• Belief Propagation Reloaded: Learning BP-Layers for Labeling Problems [83.98774574197613]
  最も単純な推論手法の1つとして、切り詰められた最大積のBelief伝播を取り上げ、それをディープラーニングモデルの適切なコンポーネントにするために必要となるものを加えます。 このBP-Layerは畳み込みニューラルネットワーク(CNN)の最終ブロックまたは中間ブロックとして使用できる このモデルは様々な密集予測問題に適用可能であり、パラメータ効率が高く、ステレオ、光フロー、セマンティックセグメンテーションにおける堅牢な解を提供する。
  論文  参考訳（メタデータ） (2020-03-13T13:11:35Z)

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。