抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
オートエンコーダーと生成モデルは,今日まで,いくつかの最も明確な深層学習結果を生み出す。しかし,これらのモデルの潜在空間の理解と制御は,かなりの挑戦を示す。主成分分析とオートエンコーダからのインスピレーションを,主成分分析オートエンコーダ(PCAAE)を提案した。これは,潜在空間が2つの特性を検証する新しいオートエンコーダである。第1に,次元は,手でのデータに関して重要性の減少で組織化される。第二に,潜在空間の成分は統計的に独立である。訓練中の潜在空間を次第に増加させ,潜在符号に適用した共分散損失によりこれを達成した。得られた自動符号器は,データの固有属性を潜在空間の異なる成分に分離する潜在空間を,完全に教師なしに生成する。また,強力で事前訓練されたGANの場合に対する著者らのアプローチの拡張についても述べた。形状および最先端のGANの合成例の両方に関する結果を示した。例えば,著者らは,毛髪と皮膚の色陰影スケール,顔の姿勢,およびCelebAの性別を,任意のラベルにアクセスすることなく分離できる。PCAAEを他の最先端の手法と比較し,特に潜在空間における属性を解きほぐ能力に関して比較した。このアプローチが強力な深層生成モデルの固有潜在空間のより良い理解に寄与することを期待する。【JST・京大機械翻訳】