スコア埋め込みを用いることで、拡散モデルの学習効率を大幅に向上させることができる。これにより、従来の拡散モデルと同等の性能を得ながら、学習時間を大幅に短縮できる。
画像拡張手法によって損失関数の性能が大きく異なることを示し、各拡張手法に特化した損失関数を進化的に探索することで、従来の交差エントロピー損失関数を上回る性能を達成した。
CLIP埋め込みを利用することで、大規模な教師モデルを実行することなく、効率的に知識蒸留を行うことができる。
弱いタグ情報を利用して、深層量子化モデルを学習することで、大規模な画像検索を効率的に実現する。
本研究では、デジタル画像の幾何学的および位相的特徴を検出するために、multi-GENEO、multi-DGENEO、mix-GENEOと呼ばれる柔軟な多パラメータフィルトレーションを提案する。これらのフィルトレーションは、位相的データ解析の安定性と表現力を示す。実験では、MNISTデータセットを用いて、提案手法が幾何学的および位相的に異なる特徴を効果的に検出できることを示す。
畳み込み演算に基づく学習不可能データセットに対して、ランダムな画素補間変換を用いることで、その学習不可能性を効果的に抑制できる。