論文の概要: Gaussian-Dirichlet Random Fields for Inference over High Dimensional Categorical Observations

• arxiv url: http://arxiv.org/abs/2003.12120v1
• Date: Thu, 26 Mar 2020 19:29:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-19 21:32:25.450928
• Title: Gaussian-Dirichlet Random Fields for Inference over High Dimensional Categorical Observations
• Title（参考訳）: 高次元カテゴリー観測によるガウス-ディリクレランダム場の推定
• Authors: John E. San Soucie, Heidi M. Sosik, Yogesh Girdhar
• Abstract要約: 本稿では,ロボットが生成する高次元カテゴリー観測の分布生成モデルを提案する。 提案手法はディリクレ分布を用いて観測されたカテゴリ間の共起関係をスパースするものである。
• 参考スコア（独自算出の注目度）: 3.383942690870476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a generative model for the spatio-temporal distribution of high dimensional categorical observations. These are commonly produced by robots equipped with an imaging sensor such as a camera, paired with an image classifier, potentially producing observations over thousands of categories. The proposed approach combines the use of Dirichlet distributions to model sparse co-occurrence relations between the observed categories using a latent variable, and Gaussian processes to model the latent variable's spatio-temporal distribution. Experiments in this paper show that the resulting model is able to efficiently and accurately approximate the temporal distribution of high dimensional categorical measurements such as taxonomic observations of microscopic organisms in the ocean, even in unobserved (held out) locations, far from other samples. This work's primary motivation is to enable deployment of informative path planning techniques over high dimensional categorical fields, which until now have been limited to scalar or low dimensional vector observations.
• Abstract（参考訳）: 本研究では,高次元カテゴリー観測の時空間分布の生成モデルを提案する。 これらは一般的に、カメラのような撮像センサーを備えたロボットが生成し、画像分類器と組み合わせることで、何千ものカテゴリーで観測される可能性がある。 提案手法は、潜在変数を用いた観測圏間の疎共起関係をモデル化するディリクレ分布と、潜在変数の時空間分布をモデル化するガウス過程を組み合わせたものである。 本研究は, 海洋における微小生物の分類学的観察のような高次元のカテゴリー計測の時間分布を, 他の試料から遠く離れた観測場所においても, 効率的に高精度に近似できることを示す実験である。 この研究の主な動機は、これまでスカラーや低次元のベクトル観測に限られていた高次元のカテゴリー上の情報経路計画技術の展開を可能にすることである。

関連論文リスト

• Reconstructing Galaxy Cluster Mass Maps using Score-based Generative Modeling [9.386611764730791]
  本稿では,銀河団のガス・ダークマター投影密度マップをスコアベース生成モデルを用いて再構成する手法を提案する。 拡散モデルでは, 模擬SZおよびX線像を条件付き観測として捉え, 学習データ後部からのサンプリングにより, 対応するガスおよびダークマターマップの実現を図っている。
  論文  参考訳（メタデータ） (2024-10-03T18:00:03Z)
• von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
  円値ランダム関数上の表現的および解釈可能な分布の族を探索する。 結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。 後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
  論文  参考訳（メタデータ） (2024-06-19T01:57:21Z)
• Streaming Gaussian Dirichlet Random Fields for Spatial Predictions of High Dimensional Categorical Observations [0.0]
  本稿では,時間分布,疎度,高次元の分類学的観察の流れに対する新しいアプローチを提案する。 提案手法は,ストリーミングデータのグローバルな局所パターンを効率的に学習する。 より正確な予測を行うネットワークアプローチの能力を実証する。
  論文  参考訳（メタデータ） (2024-02-23T14:52:05Z)
• Chebyshev Particles [0.0]
  まず、対象の後方分布を無限次元ユークリッド空間におけるサンプルの写像として考える。 重み付けされたリース分極量を最大化して、ペアの相互作用により、補正可能な部分多様体を識別する新しい基準を提案する。 我々は,合成データを用いた線形状態空間モデルと実世界のデータを用いた非線形ボラティリティモデルを用いたパラメータ推論実験により,高い性能を実現した。
  論文  参考訳（メタデータ） (2023-09-10T16:40:30Z)
• Representer Point Selection for Explaining Regularized High-dimensional Models [105.75758452952357]
  本稿では,高次元表現器と呼ぶサンプルベース説明のクラスを紹介する。 私たちのワークホースは、一般化された高次元モデルに対する新しい代表者定理である。 提案手法の実証的性能について,実世界の2進分類データセットと2つの推薦システムデータセットを用いて検討した。
  論文  参考訳（メタデータ） (2023-05-31T16:23:58Z)
• Score Approximation, Estimation and Distribution Recovery of Diffusion Models on Low-Dimensional Data [68.62134204367668]
  本稿では,未知の低次元線形部分空間上でデータをサポートする場合の拡散モデルのスコア近似,推定,分布回復について検討する。 適切に選択されたニューラルネットワークアーキテクチャでは、スコア関数を正確に近似し、効率的に推定することができる。 推定スコア関数に基づいて生成された分布は、データ幾何学構造を捕捉し、データ分布の近傍に収束する。
  論文  参考訳（メタデータ） (2023-02-14T17:02:35Z)
• Structured Uncertainty in the Observation Space of Variational Autoencoders [20.709989481734794]
  画像合成において、そのような分布からのサンプリングは、非相関な画素ノイズを伴う空間的非コヒーレントな結果を生成する。 低ランクパラメータ化により空間依存性を符号化する観測空間の代替モデルを提案する。 画素単位の独立分布とは対照的に,本サンプルは複数の可算出力の予測を可能にする平均値から意味論的に有意な変動を含むと考えられる。
  論文  参考訳（メタデータ） (2022-05-25T07:12:50Z)
• Riemannian Score-Based Generative Modeling [56.20669989459281]
  経験的性能を示すスコアベース生成モデル(SGM)を紹介する。 現在のSGMは、そのデータが平坦な幾何学を持つユークリッド多様体上で支えられているという前提を定めている。 これにより、ロボット工学、地球科学、タンパク質モデリングの応用にこれらのモデルを使用することができない。
  論文  参考訳（メタデータ） (2022-02-06T11:57:39Z)
• A likelihood approach to nonparametric estimation of a singular distribution using deep generative models [4.329951775163721]
  深部生成モデルを用いた特異分布の非パラメトリック推定の可能性について検討する。 我々は、インスタンスノイズでデータを摂動することで、新しい効果的な解が存在することを証明した。 また、より深い生成モデルにより効率的に推定できる分布のクラスを特徴付ける。
  論文  参考訳（メタデータ） (2021-05-09T23:13:58Z)
• Block-Approximated Exponential Random Graphs [77.4792558024487]
  指数乱グラフ(ERG)の分野における重要な課題は、大きなグラフ上の非自明なERGの適合である。 本稿では,非自明なERGに対する近似フレームワークを提案する。 我々の手法は、数百万のノードからなるスパースグラフにスケーラブルである。
  論文  参考訳（メタデータ） (2020-02-14T11:42:16Z)
• Fast approximations in the homogeneous Ising model for use in scene analysis [61.0951285821105]
  我々は、推論に必要な量を数値計算できる正確な近似を提供する。 近似式はスケーラブルでマルコフランダム場の大きさに満足できないことを示す。 機能的磁気共鳴イメージングアクティベーション検出実験においてベイズ推論を行い, ピスタチオ樹収量の年次増加の空間パターンにおける異方性に対する確率比試験を行った。
  論文  参考訳（メタデータ） (2017-12-06T14:24:34Z)

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。