論文の概要: A Primal-Dual Solver for Large-Scale Tracking-by-Assignment

• arxiv url: http://arxiv.org/abs/2004.06375v1
• Date: Tue, 14 Apr 2020 09:26:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-13 10:08:39.425601
• Title: A Primal-Dual Solver for Large-Scale Tracking-by-Assignment
• Title（参考訳）: 大規模トラッキング・バイ・アサインのためのプライマル・デュアル・ソルバ
• Authors: Stefan Haller, Mangal Prakash, Lisa Hutschenreiter, Tobias Pietzsch, Carsten Rother, Florian Jug, Paul Swoboda, Bogdan Savchynskyy
• Abstract要約: 本稿では, セルトラッキングに応用した, トラッキング・バイ・アサインメント(トラッキング・バイ・アサインメント)と呼ばれる問題の高速近似解法を提案する。 Gurobiと比べ、最大60倍の高速化を実現し、メモリフットプリントを大幅に削減した。
• 参考スコア（独自算出の注目度）: 39.54400002797327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a fast approximate solver for the combinatorial problem known as tracking-by-assignment, which we apply to cell tracking. The latter plays a key role in discovery in many life sciences, especially in cell and developmental biology. So far, in the most general setting this problem was addressed by off-the-shelf solvers like Gurobi, whose run time and memory requirements rapidly grow with the size of the input. In contrast, for our method this growth is nearly linear. Our contribution consists of a new (1) decomposable compact representation of the problem; (2) dual block-coordinate ascent method for optimizing the decomposition-based dual; and (3) primal heuristics that reconstructs a feasible integer solution based on the dual information. Compared to solving the problem with Gurobi, we observe an up to~60~times speed-up, while reducing the memory footprint significantly. We demonstrate the efficacy of our method on real-world tracking problems.
• Abstract（参考訳）: 我々は,セル追跡に応用できる,トラッキング・バイ・アサインと呼ばれる組合せ問題に対する高速近似解法を提案する。 後者は多くの生命科学、特に細胞や発達生物学において重要な役割を担っている。 これまでのところ、この問題はGurobiのような市販の問題解決者によって対処されており、その実行時間とメモリ要求は入力のサイズに応じて急速に増大している。 対照的に、我々の方法では、この成長はほぼ線形です。 本研究の貢献は,(1)分解可能コンパクトな問題表現,(2)分解ベース双対を最適化するための二重ブロック座標法,(3)双対情報に基づいて実現可能な整数解を再構成する原始的ヒューリスティックスからなる。 Gurobiの問題を解くのに比べ、メモリフットプリントを大幅に削減しながら、最大60～60のスピードアップを観察する。 実世界の追跡問題に対する本手法の有効性を実証する。

関連論文リスト

• Primal Dual Continual Learning: Balancing Stability and Plasticity through Adaptive Memory Allocation [86.8475564814154]
  制約付き最適化問題を直接実行することは可能かつ有益であることを示す。 メモリベースのメソッドでは、以前のタスクからのサンプルの小さなサブセットをリプレイバッファに格納できる。 両変数は,制約摂動に対する連続学習問題の最適値の感度を示す。
  論文  参考訳（メタデータ） (2023-09-29T21:23:27Z)
• Mutually unbiased bases as a commuting polynomial optimisation problem [0.0]
  我々は、実数に対する最適化問題として、相互に偏りのない基底の問題を考察する。 最適化手法を多数組み合わせた2つの手法を用いる。 このようなアルゴリズムが最終的に有限メモリで次元6に関するオープンな問題を解くことを実証する。
  論文  参考訳（メタデータ） (2023-08-03T17:14:22Z)
• Neural Collapse Terminus: A Unified Solution for Class Incremental Learning and Its Variants [166.916517335816]
  本稿では,3つの課題における不整合ジレンマに対する統一解を提案する。 ラベル空間全体の最大等角的クラス間分離を有する固定構造である神経崩壊終端を提案する。 本手法は,データ不均衡やデータ不足にかかわらず,神経崩壊最適度を漸進的に保持する。
  論文  参考訳（メタデータ） (2023-08-03T13:09:59Z)
• Learning To Dive In Branch And Bound [95.13209326119153]
  グラフニューラルネットワークを用いて特定の潜水構造を学習するためのL2Diveを提案する。 我々は、変数の割り当てを予測するために生成モデルを訓練し、線形プログラムの双対性を利用して潜水決定を行う。
  論文  参考訳（メタデータ） (2023-01-24T12:01:45Z)
• Minimizing Entropy to Discover Good Solutions to Recurrent Mixed Integer Programs [0.0]
  混合整数プログラミング(MIP)問題に対する現在の解法は、幅広い問題に対して良好に動作するように設計されている。 近年の研究では、機械学習(ML)をMIPソルバと統合してドメイン知識を注入し、最適性ギャップを効率的に閉じることが示されている。 本稿では、エントロピーの概念を用いて、最小限のトレーニングデータとチューニングで効率的にモデルを構築するオンラインソルバを提案する。
  論文  参考訳（メタデータ） (2022-02-07T18:52:56Z)
• FastDOG: Fast Discrete Optimization on GPU [23.281726932718232]
  本稿では,構造化予測で発生する0-1整数線形プログラムを解くために,並列に並列なラグランジュ分解法を提案する。 我々の原始的アルゴリズムと双対アルゴリズムは、サブプロブレムとBDDに対する最適化の同期をほとんど必要としません。 問題に依存しない状態で、最先端の特殊アルゴリズムに近づいたり、優れていたりします。
  論文  参考訳（メタデータ） (2021-11-19T15:20:10Z)
• Multi-task Supervised Learning via Cross-learning [102.64082402388192]
  我々は,様々なタスクを解くことを目的とした回帰関数の集合を適合させることで,マルチタスク学習と呼ばれる問題を考える。 我々の新しい定式化では、これらの関数のパラメータを2つに分けて、互いに近づきながらタスク固有のドメインで学習する。 これにより、異なるドメインにまたがって収集されたデータが、互いのタスクにおける学習パフォーマンスを改善するのに役立つ、クロス・ファーティライズが促進される。
  論文  参考訳（メタデータ） (2020-10-24T21:35:57Z)
• MineReduce: an approach based on data mining for problem size reduction [58.720142291102135]
  本稿では,マイニングパターンを用いて問題サイズの削減を行うMineReduceという手法を提案する。 異種車両ルーティング問題に対するMineReduceの適用について述べる。
  論文  参考訳（メタデータ） (2020-05-15T08:49:50Z)
• Efficient Tensor Kernel methods for sparse regression [39.95662930240854]
  そこで本研究では,下層の回帰問題の解における空間性を促進するために,適切なテンソルカーネルを導入する。 テンソルを格納するにはかなりの量のメモリが必要で、最終的には適用性を制限する。 まず、データを格納するための新しいより効率的なレイアウトを導入することにより、メモリ要求を直接削減する。 第二に、Nystrom型サブサンプリングアプローチを用いて、少ないデータポイントでトレーニングフェーズを実現できるので、計算コストを削減できる。
  論文  参考訳（メタデータ） (2020-03-23T18:26:56Z)

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。