サンプルベースのMLの用語集

ML Attribute Generate	ラベルなしサンプルのコレクションを生成します。各サンプルは、ジオメトリを格納するパックプリミティブです。埋め込まれた各ジオメトリは、確率分布から引き出されたランダム値が設定された固有のアトリビュートを持ちます。これらのラベルなしサンプルは、トレーニング用の合成データを生成するためのベースにすることができます。例えば、各ラベルなしサンプルをプロシージャルネットワークの入力として用意することで、ターゲットを生成することができるので、そのターゲットを使用してラベル付きサンプルを形成することができます。
ML Example	サンプルをパックプリミティブとして作成します。 Target入力を使用しなかった場合は、ラベルなしサンプルが作成されます。この場合では、入力ジオメトリはそのパックプリミティブ内に直接格納されます。 Target入力を接続した場合は、ラベル付きサンプルが作成されます。ラベル付きサンプルは、`入力コンポーネント`と`ターゲットコンポーネント`の両方で構成されます。それらは、ラベル付きサンプルパックプリミティブ内にパックプリミティブとして格納されます。ラベル付きサンプル毎に、そのターゲットがその入力のGround Truth出力として解釈することができます。複数のラベル付きサンプルを組み合わせて前処理することで、データセットを形成することができます。
ML Example Decompose	ラベル付きサンプルを入力コンポーネントとターゲットコンポーネントに分解します。これは、データセットの前処理、視覚化、トラブル対応で役に立ちます。
ML Example Import:	ディスクからRawデータセットを読み込み、(それがパックプリミティブに格納された)サンプルのコレクションを生成します。
ROP ML Example Raw Output	データセット、(場合によっては前処理された)サンプルのコレクションを、ML Train Regression TOPによるトレーニングに適したRawファイルに書き出します。
ML Example Partition	サンプル(ラベル付き、または、ラベルなし)のコレクションを分割します。例えば、ML Attribute Generateの出力はバッチに分割することができます。適切なバッチサイズを選択することで、データ生成ステージと前処理ステージで速度とメモリ効率の適切なバランスを見つけることができます。
ML Extract Example	サンプルのコレクションを表現したジオメトリから単一サンプルを取り出すのに役立ちます。サンプルのコレクションは、パックプリミティブで構成されています。これらのサンプルは、ML Attribute GenerateやML Pose Generateで生成されたラベルなしサンプル、または、ML Exampleで作成されたラベル付きサンプルのどれかです。
ML Pose Generate:	サンプルベースのMLツールセットを特化したドメイン(アニメーション)内で適用可能な MLアダプタノード。これは、一連のランダムなポーズを生成し、各ポーズはラベルなしサンプルです。
ML Pose Serialize:	サンプルベースのMLツールセットを特化したドメイン(アニメーション)内で適用可能な MLアダプタノード。これは、単一リグポーズ(またはその一部)を浮動小数点Pointアトリビュートとして表現します。このノードは、データ生成ステージや推論ステージのどちらでも使用できるので、それらの両方のステージ内で同じ方法でポーズがシリアライズ化されます。
ML Pose Deserialize:	サンプルベースのMLツールセットを特定の領域(アニメーション)内で適用できるようにする MLアダプターノード。これは、浮動小数点Pointアトリビュートから単一のリグポーズ(またはその一部)を再構築します。このノードを推論時に使用することができるので、データセット生成中にML Pose Serializeで表現されている方法と整合性を取ってポーズを再構築することができます。
ML Regression Inference:	ML Train Regression TOPを使用してトレーニングされたMLモデルを、目的の入力を持つジオメトリネットワークに適用することができます。
ML Regression Linear:	指定されたラベル付きサンプルにできるだけ近く適合するように線形モデルをトレーニングします。この線形モデルをクエリ入力に適用することで、モデル予測を計算します。
ML Regression Kernel:	カーネルメソッドを適用して、指定した入力から予測を計算します。この予測は、ラベル付きサンプルからのターゲットコンポーネントの組み合わせです。
ML Regression Proximity:	照会入力のデータセット内で最も近い入力コンポーネントに呼応したラベル付きサンプルのコレクション内のターゲットコンポーネントを返します。これは、ディープラーニングではないタイプのMLです。
ML Train Regression TOP:	ROP ML Example Raw Outputによって準備されたデータセットを使用して、モデル(順伝播型ニューラルネットワーク)を作成してトレーニングします。その結果のモデルは、ML Regression Inference SOPで使用することができます。これは、ディープラーニングのサンプルです。