論文の概要: Zero-Assignment Constraint for Graph Matching with Outliers

• arxiv url: http://arxiv.org/abs/2003.11928v1
• Date: Thu, 26 Mar 2020 14:11:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 21:48:57.427389
• Title: Zero-Assignment Constraint for Graph Matching with Outliers
• Title（参考訳）: 異常値付きグラフマッチングに対するゼロ割り当て制約
• Authors: Fudong Wang and Nan Xue and Jin-Gang Yu and Gui-Song Xia
• Abstract要約: 本稿では,ゼロアサインメント制約 (ZAC) を用いて,外乱の存在下でのグラフマッチング問題にアプローチする。 基礎となる考え方は、ゼロ値ベクトルを得られた最適対応行列のポテンシャル外値に割り当てることにより、外値のマッチングを抑えることである。 我々は,多数のアウトレーラによる誤りや冗長なマッチングを著しく低減するために,効率的なアウトレーラ・ロバストアルゴリズムを設計する。
• 参考スコア（独自算出の注目度）: 40.02444837257561
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph matching (GM), as a longstanding problem in computer vision and pattern recognition, still suffers from numerous cluttered outliers in practical applications. To address this issue, we present the zero-assignment constraint (ZAC) for approaching the graph matching problem in the presence of outliers. The underlying idea is to suppress the matchings of outliers by assigning zero-valued vectors to the potential outliers in the obtained optimal correspondence matrix. We provide elaborate theoretical analysis to the problem, i.e., GM with ZAC, and figure out that the GM problem with and without outliers are intrinsically different, which enables us to put forward a sufficient condition to construct valid and reasonable objective function. Consequently, we design an efficient outlier-robust algorithm to significantly reduce the incorrect or redundant matchings caused by numerous outliers. Extensive experiments demonstrate that our method can achieve the state-of-the-art performance in terms of accuracy and efficiency, especially in the presence of numerous outliers.
• Abstract（参考訳）: コンピュータビジョンとパターン認識における長年の課題であるグラフマッチング(GM)は、実用的な応用において多くの散らかった外れ値に悩まされている。 この問題に対処するために,ゼロ割り当て制約 (zero-assignment constraints, zac) を提案する。 基本となる考え方は、得られた最適対応行列のポテンシャル外れ値にゼロ値ベクトルを割り当てることで、外れ値のマッチングを抑制することである。 本稿では,ZAC を用いた GM 問題に対する厳密な理論的解析を行い,アウトリーチの有無による GM 問題と本質的な相違点を考察し,有効かつ合理的な目的関数を構築するための十分な条件を提示する。 その結果,多数の外乱が原因で生じる誤りや冗長なマッチングを著しく低減する効率的な外乱アルゴリズムを設計した。 大規模な実験により, 精度, 効率, 特に多くのアウトレーヤの存在下で, 最先端の性能を達成できることが実証された。

関連論文リスト

• A Contrastive Variational Graph Auto-Encoder for Node Clustering [10.52321770126932]
  最先端のクラスタリング手法には多くの課題がある。 既存のVGAEは、推論と生成モデルの相違を考慮していない。 私たちのソリューションには、フィーチャーランダムネスとフィーチャードリフトのトレードオフを制御する2つのメカニズムがあります。
  論文  参考訳（メタデータ） (2023-12-28T05:07:57Z)
• Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
  我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。 特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
  論文  参考訳（メタデータ） (2023-12-19T13:17:43Z)
• Support Vector Machines with the Hard-Margin Loss: Optimal Training via Combinatorial Benders' Cuts [8.281391209717105]
  我々は、グローバルな最適性のために、ハードマージンのSVMモデルをトレーニングする方法を示す。 本稿では,この問題を解くための反復サンプリングと部分分解アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-07-15T18:21:51Z)
• AdAUC: End-to-end Adversarial AUC Optimization Against Long-tail Problems [102.95119281306893]
  我々は、AUCを最適化するための敵の訓練方法を探求するための早期トライアルを提示する。 我々は、AUC最適化問題をサドル点問題として再構成し、目的がインスタンスワイズ関数となる。 我々の分析は, min-max問題の勾配を計算して, 逆例を生成するアルゴリズムが求められているため, 既存の研究と異なる。
  論文  参考訳（メタデータ） (2022-06-24T09:13:39Z)
• Multi-task Learning of Order-Consistent Causal Graphs [59.9575145128345]
  我々は、$K関連ガウス非巡回グラフ(DAG)の発見問題を考える。 マルチタスク学習環境下では, 線形構造方程式モデルを学習するためのMLE ($l_1/l$-regularized maximum chance estimator) を提案する。 理論的には、関係するタスクにまたがるデータを活用することで、因果順序を復元する際のサンプルの複雑さをより高めることができることを示す。
  論文  参考訳（メタデータ） (2021-11-03T22:10:18Z)
• Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
  ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。 本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。 他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。 驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
  論文  参考訳（メタデータ） (2021-10-21T07:28:11Z)
• ROBIN: a Graph-Theoretic Approach to Reject Outliers in Robust Estimation using Invariants [30.19476775410544]
  外乱は典型的には誤ったデータアソシエーションや特徴マッチングの結果である。 頑健な推定に対する現在のアプローチは、多くの外れ値が存在する場合、正確に見積もることができない。 本稿では, プルー・アウトレーヤへのアプローチについて述べる。
  論文  参考訳（メタデータ） (2020-11-07T02:09:33Z)
• Outlier-Robust Estimation: Hardness, Minimally Tuned Algorithms, and Applications [25.222024234900445]
  本稿では,外乱推定,一般化最大収束(G-MC),一般化最小正方形(G-TLS)の2つの統一式を提案する。 最悪の場合、(概して)外れ値の集合を見つけることは不可能である。 そこで我々は, 降圧器から降圧器を分離する方法を動的に決定する, 降圧器のリジェクションのための最小調整アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-29T21:06:13Z)
• High-Dimensional Robust Mean Estimation via Gradient Descent [73.61354272612752]
  一定対向分数の存在下でのロバスト平均推定の問題は勾配降下によって解けることを示す。 我々の研究は、近辺の非補題推定とロバスト統計の間の興味深い関係を確立する。
  論文  参考訳（メタデータ） (2020-05-04T10:48:04Z)

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。