Self-Supervised Detection of Perfect and Partial Input-Dependent Symmetries

要約

グループ内の対称性がデータで観察されたものと異なる場合、グループの等分散性によりモデルが過度に制約される可能性があります。
一般的な方法では、データセット レベルで適切な対称レベルを決定することでこの問題に対処しますが、教師あり設定に限定されており、同じデータセット内に複数の対称レベルが共存するシナリオは無視されます。
この論文では、ラベルを必要とせずに各入力の対称性のレベルを検出できる方法を提案します。
私たちのフレームワークは、任意の単峰対称分布や離散グループなど、連続対称分布と離散対称分布の両方のさまざまなファミリーに対応できるほど一般的です。
クラスごとに異なる対称性レベルを持つ合成データセットに対するアプローチの有効性を検証し、分布対称性の検出などの実用的なアプリケーションを実証します。
私たちのコードは https://github.com/aurban0/ssl-sym で公開されています。

要約(オリジナル)

Group equivariance can overly constrain models if the symmetries in the group differ from those observed in data. While common methods address this by determining the appropriate level of symmetry at the dataset level, they are limited to supervised settings and ignore scenarios in which multiple levels of symmetry co-exist in the same dataset. In this paper, we propose a method able to detect the level of symmetry of each input without the need for labels. Our framework is general enough to accommodate different families of both continuous and discrete symmetry distributions, such as arbitrary unimodal, symmetric distributions and discrete groups. We validate the effectiveness of our approach on synthetic datasets with different per-class levels of symmetries, and demonstrate practical applications such as the detection of out-of-distribution symmetries. Our code is publicly available at https://github.com/aurban0/ssl-sym.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google