ترجمه فارسی مقاله رمزگذار خودکار متغیر چندوجهی میدان تصادفی مارکوف

چکیده

Recent advancements in multimodal Variational AutoEncoders (VAEs) have highlighted their potential for modeling complex data from multiple modalities. However, many existing approaches use relatively straightforward aggregating schemes that may not fully capture the complex dynamics present between different modalities. This work introduces a novel multimodal VAE that incorporates a Markov Random Field (MRF) into both the prior and posterior distributions. This integration aims to capture complex intermodal interactions more effectively. Unlike previous models, our approach is specifically designed to model and leverage the intricacies of these relationships, enabling a more faithful representation of multimodal data. Our experiments demonstrate that our model performs competitively on the standard PolyMNIST dataset and shows superior performance in managing complex intermodal dependencies in a specially designed synthetic dataset, intended to test intricate relationships.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در اتوآنمان های تنوع چندمودالی (VAES) پتانسیل خود را برای مدل سازی داده های پیچیده از روشهای متعدد برجسته کرده است.با این حال ، بسیاری از رویکردهای موجود از طرح های تجمع نسبتاً ساده استفاده می کنند که ممکن است پویایی پیچیده موجود بین روشهای مختلف را به طور کامل ضبط نکند.این کار یک VAE چند حالته رمان را معرفی می کند که شامل یک میدان تصادفی مارکوف (MRF) در هر دو توزیع قبلی و خلفی است.این ادغام با هدف ضبط تعامل پیچیده بین بین موثرتر انجام می شود.بر خلاف مدل های قبلی ، رویکرد ما به طور خاص برای مدل سازی و بهره برداری از پیچیدگی های این روابط طراحی شده است و این امکان را فراهم می کند تا نمایشی وفادارتر از داده های چند مدلی را نشان دهد.آزمایشات ما نشان می دهد که مدل ما به صورت رقابتی بر روی مجموعه داده های پلیمنی استاندارد انجام می دهد و عملکرد برتر را در مدیریت وابستگی های پیچیده بین المللی در یک مجموعه داده مصنوعی مخصوص طراحی شده ، با هدف آزمایش روابط پیچیده نشان می دهد.