01 / UNDERSTAND
仕組みと使いどころ
通常の多層パーセプトロンは、低次元入力に含まれる高周波の関数を学習しにくい場合があります。フーリエ特徴写像は入力点を変換し、ネットワークがこうした変化を表現しやすくするために用いられます。写像には調整可能な帯域幅があり、課題に応じて特徴を選ぶ方法が示されています。学習可能なフーリエ特徴はこの手法の一種で、写像に基づく符号化を訓練可能にしたものです。多次元の位置符号化では、画素位置などの距離や複雑な位置関係を表す用途が報告されています。
02 / IN PRACTICE
Fourier Featuresの活用例
たとえば、こんな場面で
低次元入力を使う回帰モデルで細かな変化を表現するために、入力点をフーリエ特徴へ写像してMLPへ与えます。別の例として、画像内の多次元位置を学習可能なフーリエ特徴で符号化できます。
03 / GOOD TO KNOW
使うときのポイント
固定されたフーリエ特徴と学習可能なフーリエ特徴を区別し、対象課題に合う帯域幅や写像の選び方を検討してください。報告された改善は実験対象と条件に基づくため、利用するデータで評価する必要があります。
参考資料
Learnable Fourier Features for Multi-Dimensional Spatial Positional Encoding （新しいタブで開きます）Fourier Features Let Networks Learn High Frequency Functions in Low Dimensional Domains （新しいタブで開きます）用語の説明や活用例に関連する参考資料です。
READ & LEARN
記事一覧を見る 用語を知ったら、活用を知る。
AI LABで、AIの動向や業務に取り入れるヒントを読む。