Fugu-MT 論文翻訳(概要): New Metrics Between Rational Spectra and their Connection to Optimal Transport

論文の概要: New Metrics Between Rational Spectra and their Connection to Optimal Transport

arxiv url: http://arxiv.org/abs/2004.09152v1
Date: Mon, 20 Apr 2020 09:29:03 GMT
ステータス: 処理完了
システム内更新日: 2022-12-11 18:28:22.195338
Title: New Metrics Between Rational Spectra and their Connection to Optimal Transport
Title（参考訳）: 有理スペクトルと最適輸送との関係の新しい指標
Authors: Fredrik Bagge Carlson, Mandar Chitre
Abstract要約: 最適輸送理論と線形系理論に基づいて,信号対,線形系,あるいは有理スペクトル間の一連のメトリクスを提案する。測度は有理関数の極の位置で動作し、距離、バリセンター、変位、投射の非常に効率的な計算を許容する。有理スペクトル間のワッサーシュタイン距離との接続を確立し,信号分類,クラスタリング,検出,近似などのタスクにおけるメトリクスの利用を実証する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a series of metrics between pairs of signals, linear systems or rational spectra, based on optimal transport and linear-systems theory. The metrics operate on the locations of the poles of rational functions and admit very efficient computation of distances, barycenters, displacement interpolation and projections. We establish the connection to the Wasserstein distance between rational spectra, and demonstrate the use of the metrics in tasks such as signal classification, clustering, detection and approximation.
Abstract（参考訳）: 最適輸送理論と線形システム理論に基づいて,信号対,線形システムあるいは有理スペクトル間の一連のメトリクスを提案する。メトリクスは有理関数の極の位置を操作し、距離、重心、変位補間、投影の非常に効率的な計算を可能にする。有理スペクトル間のワッサーシュタイン距離との接続を確立し,信号分類,クラスタリング,検出,近似などのタスクにおけるメトリクスの利用を実証する。

関連論文リスト

A Riemannian Approach to Ground Metric Learning for Optimal Transport [31.333036109340835]
我々は、対称正定値行列によってパラメータ化された適切な潜在基底計量を学習する。実験結果は、OTベースのドメイン適応における学習された測定値の有効性を示す。
論文参考訳（メタデータ） (2024-09-16T08:42:56Z)
Critical metrology of minimally accessible anisotropic spin chains [0.0]
局所的および準局所的な測定がシステムのグローバルな特性を特徴づけるためにどのように利用されるかを示す。特に、単一のスピンの密度行列について、関連するパラメータの古典的(磁化)および量子フィッシャー情報を評価する。
論文参考訳（メタデータ） (2024-05-30T17:45:27Z)
Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
論文参考訳（メタデータ） (2024-01-29T02:08:40Z)
Point Cloud Classification via Deep Set Linearized Optimal Transport [51.99765487172328]
我々は,点雲をL2-$spaceに効率的に同時埋め込むアルゴリズムであるDeep Set Linearized Optimal Transportを紹介した。この埋め込みはワッサーシュタイン空間内の特定の低次元構造を保持し、点雲の様々なクラスを区別する分類器を構成する。我々は,有限個のラベル付き点雲を持つフローデータセットの実験を通じて,標準的な深層集合アプローチに対するアルゴリズムの利点を実証する。
論文参考訳（メタデータ） (2024-01-02T23:26:33Z)
Learning Radio Environments by Differentiable Ray Tracing [56.40113938833999]
本稿では, 材料特性, 散乱, アンテナパターンの微分パラメトリゼーションによって補う, 勾配式キャリブレーション法を提案する。提案手法は,MIMO(分散マルチインプットマルチインプット・マルチアウトプット・チャネル・サウンドア)を用いて,合成データと実世界の屋内チャネル計測の両方を用いて検証した。
論文参考訳（メタデータ） (2023-11-30T13:50:21Z)
Fisher-Rao distance and pullback SPD cone distances between multivariate normal distributions [7.070726553564701]
正規多様体の準多様体への微分同相埋め込みに基づく距離のクラスを導入する。コーン上の射影ヒルベルト距離が埋め込み正規部分多様体上の計量となることを示す。このような距離をクラスタリングタスクでどのように使うかを示します。
論文参考訳（メタデータ） (2023-07-20T07:14:58Z)
Joint optimal measurement for locating two incoherent optical point sources near the Rayleigh distance [1.14219428942199]
レイリー距離において、不整合係数は消滅し、したがってトレードオフ関係は、共同推定のための測定の同時最適化をもはや制限しない。我々は、対称対数微分の作用素代数に関する精巧な解析により、そのような共同最適測定を構築する。
論文参考訳（メタデータ） (2023-02-15T11:50:09Z)
Tight Cram\'{e}r-Rao type bounds for multiparameter quantum metrology through conic programming [61.98670278625053]
最適な精度で不整合パラメータを推定できる実用的な測定戦略が最重要である。ここでは、最適精度で非相関な測定方法を見つけるための具体的な方法を示す。従来の計算可能境界と最終的な精度境界との間には厳密なギャップがあることを数値的に示す。
論文参考訳（メタデータ） (2022-09-12T13:06:48Z)
Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。 MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文参考訳（メタデータ） (2022-06-29T22:19:03Z)
Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文参考訳（メタデータ） (2021-10-12T22:04:19Z)

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。