Fugu-MT 論文翻訳(概要): Robust Multi-object Matching via Iterative Reweighting of the Graph Connection Laplacian

論文の概要: Robust Multi-object Matching via Iterative Reweighting of the Graph Connection Laplacian

arxiv url: http://arxiv.org/abs/2006.06658v2
Date: Sat, 24 Oct 2020 20:54:12 GMT
ステータス: 処理完了
システム内更新日: 2022-11-22 13:22:42.221253
Title: Robust Multi-object Matching via Iterative Reweighting of the Graph Connection Laplacian
Title（参考訳）: グラフ接続ラプラシアンの反復重み付けによるロバスト多目的マッチング
Authors: Yunpeng Shi, Shaohan Li and Gilad Lerman
Abstract要約: まず,本手法の厳密な限界と,反復的に再重み付けされた最小二乗法が不適切であることを明らかにする。これらの制約を考慮すると,高次地区からの情報を取り入れた,新しい,より信頼性の高い反復的再重み付け戦略を提案する。合成データと実データの両方を用いた最先端手法よりも優れた性能を示す。
参考スコア（独自算出の注目度）: 15.813217907813778
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose an efficient and robust iterative solution to the multi-object matching problem. We first clarify serious limitations of current methods as well as the inappropriateness of the standard iteratively reweighted least squares procedure. In view of these limitations, we suggest a novel and more reliable iterative reweighting strategy that incorporates information from higher-order neighborhoods by exploiting the graph connection Laplacian. We demonstrate the superior performance of our procedure over state-of-the-art methods using both synthetic and real datasets.
Abstract（参考訳）: 本稿では,マルチオブジェクトマッチング問題に対する効率的かつロバストな反復解を提案する。まず,本手法の厳密な限界と,反復的に重み付けされた最小二乗法の不適切性を明らかにする。これらの制約を踏まえ,グラフ接続ラプラシアンを活用し,高次近傍の情報を取り入れた,新しい,より信頼性の高い反復的重み付け戦略を提案する。合成データと実データの両方を用いた最先端手法よりも優れた性能を示す。

関連論文リスト

Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
論文参考訳（メタデータ） (2023-10-08T23:39:38Z)
Iterative Reweighted Least Squares Networks With Convergence Guarantees for Solving Inverse Imaging Problems [12.487990897680422]
解析に基づく画像正規化における画像再構成タスクの新しい最適化手法を提案する。そのような正規化子は $ell_pp$-vector および $mathcalS_pp$ Schatten-matrix 準ノルムの重み付き拡張に対応するポテンシャル関数を用いてパラメータ化する。提案する最小化戦略の収束保証により,メモリ効率の高い暗黙バックプロパゲーション方式により,そのような最適化を成功させることができることを示す。
論文参考訳（メタデータ） (2023-08-10T17:59:46Z)
Towards Practical Robustness Auditing for Linear Regression [8.9598796481325]
データセットの小さなサブセットの存在を発見または否定するアルゴリズムについて検討する。これらの手法は, 技術の状況を大きく上回り, 数次元における回帰問題の堅牢性チェックに有用であることを示す。我々は、アルゴリズムの頑健な統計学における最近の革新から引き出されたアイデアを用いて、スペクトルアルゴリズムを用いて、この課題を先導する。
論文参考訳（メタデータ） (2023-07-30T20:47:36Z)
Re-basin via implicit Sinkhorn differentiation [9.827002225566073]
本研究では,特定の目的に適した交通計画を得る能力を備えたシンクホーン・リベースネットワークを提案する。現在の最先端技術とは異なり、我々の手法は微分可能であり、深層学習領域内のどんなタスクにも容易に適応できる。
論文参考訳（メタデータ） (2022-12-22T21:25:06Z)
Vector-Valued Least-Squares Regression under Output Regularity Assumptions [73.99064151691597]
最小二乗回帰問題を無限次元出力で解くために,還元ランク法を提案し,解析する。提案手法の学習バウンダリを導出し、フルランク手法と比較して統計的性能の設定を改善する研究を行う。
論文参考訳（メタデータ） (2022-11-16T15:07:00Z)
Shuffled linear regression through graduated convex relaxation [12.614901374282868]
シャッフル線形回帰問題は、入力と出力の対応が不明なデータセットにおける線形関係を復元することを目的としている。この問題は、調査データを含む広範囲のアプリケーションで発生する。後最大化目的関数に基づく線形回帰をシャッフルする新しい最適化アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-09-30T17:33:48Z)
Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文参考訳（メタデータ） (2021-04-13T23:21:01Z)
Progressive Batching for Efficient Non-linear Least Squares [31.082253632197023]
ガウス・ニュートンの基本的な改良のほとんどは、基礎となる問題構造の空間性を保証するか、あるいは活用して計算速度を上げることである。我々の研究は、機械学習と統計の両方からアイデアを借用し、収束を保証するとともに、必要な計算量を大幅に削減する非線形最小二乗に対するアプローチを提案する。
論文参考訳（メタデータ） (2020-10-21T13:00:04Z)
Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
半教師付き学習における簡単なメタ学習アルゴリズムを提案する。その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
論文参考訳（メタデータ） (2020-07-08T08:48:56Z)
Conditional gradient methods for stochastically constrained convex minimization [54.53786593679331]
構造凸最適化問題に対する条件勾配に基づく2つの新しい解法を提案する。私たちのフレームワークの最も重要な特徴は、各イテレーションで制約のサブセットだけが処理されることです。提案アルゴリズムは, 条件勾配のステップとともに, 分散の低減と平滑化に頼り, 厳密な収束保証を伴っている。
論文参考訳（メタデータ） (2020-07-07T21:26:35Z)
Differentiable Causal Discovery from Interventional Data [141.41931444927184]
本稿では、介入データを活用可能なニューラルネットワークに基づく理論的基盤化手法を提案する。提案手法は,様々な環境下での美術品の状態と良好に比較できることを示す。
論文参考訳（メタデータ） (2020-07-03T15:19:17Z)

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。