論文の概要: High-resolution signal recovery via generalized sampling and functional
principal component analysis
- arxiv url: http://arxiv.org/abs/2002.08724v3
- Date: Thu, 14 Oct 2021 16:54:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-30 08:18:35.588771
- Title: High-resolution signal recovery via generalized sampling and functional
principal component analysis
- Title(参考訳): 一般化サンプリングと機能主成分分析による高分解能信号回復
- Authors: Milana Gataric
- Abstract要約: 本稿では,その間接的測定から未知関数の高分解能近似を復元する計算フレームワークを提案する。
特に、関心の関数をランダム場の実現としてモデル化するデータ駆動アプローチにより、信号の分解能を高める。
機能的主成分の疎表現を活用することにより,トレーニングセットのサイズを小さくすることができることを示す。
- 参考スコア(独自算出の注目度): 0.609170287691728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we introduce a computational framework for recovering a
high-resolution approximation of an unknown function from its low-resolution
indirect measurements as well as high-resolution training observations by
merging the frameworks of generalized sampling and functional principal
component analysis. In particular, we increase the signal resolution via a data
driven approach, which models the function of interest as a realization of a
random field and leverages a training set of observations generated via the
same underlying random process. We study the performance of the resulting
estimation procedure and show that high-resolution recovery is indeed possible
provided appropriate low-rank and angle conditions hold and provided the
training set is sufficiently large relative to the desired resolution.
Moreover, we show that the size of the training set can be reduced by
leveraging sparse representations of the functional principal components.
Furthermore, the effectiveness of the proposed reconstruction procedure is
illustrated by various numerical examples.
- Abstract(参考訳): 本稿では,その低分解能間接測定から未知関数の高分解能近似を回収する計算フレームワークと,一般化サンプリングと機能主成分分析の枠組みを融合した高分解能訓練観測手法を提案する。
特に、関心の関数をランダムな場の実現としてモデル化し、同じ基礎となるランダムなプロセスを通じて生成された一連の学習結果を活用する、データ駆動アプローチによる信号分解量を増加させる。
提案手法の性能について検討し, 適切な低ランク・アングル条件で高分解能回復が可能であることを示し, トレーニングセットが所望の解像度に対して十分に大きいことを証明した。
さらに,機能的主成分の疎表現を活用することで,トレーニングセットのサイズを小さくすることができることを示す。
さらに, 提案手法の有効性を, 様々な数値例で示す。
関連論文リスト
- Towards Optimal Feature-Shaping Methods for Out-of-Distribution
Detection [36.316424348556154]
特徴整形(英: Feature shaping)とは、オフ・オブ・ディストリビューション(OOD)検出のための最先端性能を示す手法の一群である。
簡単な一方向の定形化機能を持つフレームワークの具体的な削減を提案する。
提案手法は,OOD検出の多種多様なデータセットに対する一般化能力を向上することを示す。
論文 参考訳(メタデータ) (2024-02-01T18:59:22Z) - Stochastic Gradient Descent for Additive Nonparametric Regression [13.28914458950716]
本稿では,メモリストレージと計算要求を満足する加法モデルの反復的学習アルゴリズムを提案する。
得られた推定値が不等式を満たすことを示し,その不等式がモデルの誤特定を許容することを示した。
3つの異なる訓練段階の学習速度を慎重に選択することにより、そのリスクがトレーニングサンプルのサイズとデータの寸法依存性の点で極小であることを示す。
論文 参考訳(メタデータ) (2024-01-01T08:03:52Z) - Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。
既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。
提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
論文 参考訳(メタデータ) (2023-07-08T15:41:48Z) - Optimal Sets and Solution Paths of ReLU Networks [56.40911684005949]
最適なReLUネットワークの集合を特徴付ける分析フレームワークを開発した。
我々は、ReLUネットワークのニューラル化を継続する条件を確立し、ReLUネットワークに対する感度結果を開発する。
論文 参考訳(メタデータ) (2023-05-31T18:48:16Z) - A General Framework for Sample-Efficient Function Approximation in
Reinforcement Learning [132.45959478064736]
モデルベースとモデルフリー強化学習を統合した汎用フレームワークを提案する。
最適化に基づく探索のための分解可能な構造特性を持つ新しい推定関数を提案する。
本フレームワークでは,OPERA (Optimization-based Exploration with Approximation) という新しいサンプル効率アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-09-30T17:59:16Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳(メタデータ) (2022-03-11T02:37:35Z) - A Forward Backward Greedy approach for Sparse Multiscale Learning [0.0]
本稿では,カーネルが重み付きマルチスケール構造を持つRKHS(Reproduction Kernel Hilbert space)を提案する。
この空間における近似を生成するために、多スケール構造を持つ基底関数の集合をゆるやかに構成できる実用的なフォワードバックワードアルゴリズムを提供する。
我々は,様々なシミュレーションと実データ集合を用いて,アプローチの性能を解析する。
論文 参考訳(メタデータ) (2021-02-14T04:22:52Z) - Feature space approximation for kernel-based supervised learning [2.653409741248232]
目標は、トレーニングデータのサイズを減らし、ストレージ消費と計算の複雑さを減らすことだ。
完全トレーニングデータセットを含むデータ駆動予測の計算と比較して,大幅な改善が示された。
本手法は, 画像認識, システム識別, 海洋時系列解析などの異なる応用領域の分類と回帰問題に適用する。
論文 参考訳(メタデータ) (2020-11-25T11:23:58Z) - Loss Bounds for Approximate Influence-Based Abstraction [81.13024471616417]
影響に基づく抽象化は、システムの残りの部分が与える「影響」とともに、局所的なサブプロブレムをモデル化することでレバレッジを得ることを目的としている。
本稿では,理論的観点から,そのような手法の性能について考察する。
交叉エントロピーで訓練されたニューラルネットワークは、近似的な影響表現を学習するのに適していることを示す。
論文 参考訳(メタデータ) (2020-11-03T15:33:10Z) - Deep Dimension Reduction for Supervised Representation Learning [51.10448064423656]
本研究は,本質的な特徴を持つ学習表現の次元削減手法を提案する。
提案手法は, 十分次元還元法の非パラメトリック一般化である。
推定された深度非パラメトリック表現は、その余剰リスクが0に収束するという意味で一貫したものであることを示す。
論文 参考訳(メタデータ) (2020-06-10T14:47:43Z) - A Support Detection and Root Finding Approach for Learning
High-dimensional Generalized Linear Models [10.103666349083165]
本研究では,高次元一般化線形モデルの学習を支援する支援検出法とルート探索法を開発した。
提案手法の利点を説明するため,シミュレーションと実データ解析を行った。
論文 参考訳(メタデータ) (2020-01-16T14:35:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。