Fugu-MT 論文翻訳(概要): Message Passing Least Squares Framework and its Application to Rotation Synchronization

論文の概要: Message Passing Least Squares Framework and its Application to Rotation Synchronization

arxiv url: http://arxiv.org/abs/2007.13638v3
Date: Sat, 15 Aug 2020 02:00:34 GMT
ステータス: 処理完了
システム内更新日: 2022-11-06 08:01:20.403452
Title: Message Passing Least Squares Framework and its Application to Rotation Synchronization
Title（参考訳）: メッセージパッシング最小二乗フレームワークとその回転同期への応用
Authors: Yunpeng Shi and Gilad Lerman
Abstract要約: まず,測定されたグループ比の劣化レベルを推定する理論的に保証されたメッセージパッシングアルゴリズムについて述べる。次に, グループ要素を推定する新たな最小二乗法を提案し, そこでは, 推定汚職レベルを用いて重みを反復的に更新する。合成データと実データの両方を用いた回転同期の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）: 16.650654530240566
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose an efficient algorithm for solving group synchronization under high levels of corruption and noise, while we focus on rotation synchronization. We first describe our recent theoretically guaranteed message passing algorithm that estimates the corruption levels of the measured group ratios. We then propose a novel reweighted least squares method to estimate the group elements, where the weights are initialized and iteratively updated using the estimated corruption levels. We demonstrate the superior performance of our algorithm over state-of-the-art methods for rotation synchronization using both synthetic and real data.
Abstract（参考訳）: 回転同期に着目しながら、高レベルの汚職や騒音下でのグループ同期を効率的に解くアルゴリズムを提案する。まず,評価したグループ比の腐敗レベルを推定する,理論上保証されたメッセージパッシングアルゴリズムについて述べる。次に, 重みを初期化し, 反復的に更新するグループ要素を推定する新しい再重み付け最小二乗法を提案する。合成データと実データの両方を用いた回転同期の最先端手法よりも優れた性能を示す。

関連論文リスト

Faster WIND: Accelerating Iterative Best-of-$N$ Distillation for LLM Alignment [81.84950252537618]
本稿では,反復的BONDと自己プレイアライメントの統一的なゲーム理論接続を明らかにする。 WINレート支配(WIN rate Dominance, WIND)という新しいフレームワークを構築し, 正規化利率支配最適化のためのアルゴリズムを多数提案する。
論文参考訳（メタデータ） (2024-10-28T04:47:39Z)
A Mirror Descent-Based Algorithm for Corruption-Tolerant Distributed Gradient Descent [57.64826450787237]
本研究では, 分散勾配降下アルゴリズムの挙動を, 敵対的腐敗の有無で解析する方法を示す。汚職耐性の分散最適化アルゴリズムを設計するために、(怠慢な)ミラー降下からアイデアをどう使うかを示す。 MNISTデータセットの線形回帰、サポートベクトル分類、ソフトマックス分類に基づく実験は、我々の理論的知見を裏付けるものである。
論文参考訳（メタデータ） (2024-07-19T08:29:12Z)
A Novel Framework for Improving the Breakdown Point of Robust Regression Algorithms [1.9594639581421422]
本稿では,頑健な回帰アルゴリズムの分解点を改善するための効果的なフレームワークを提案する。反復局所探索(CORALS)を用いた一貫した頑健な回帰アルゴリズムを導出する。
論文参考訳（メタデータ） (2023-05-20T15:59:33Z)
Unrolled algorithms for group synchronization [7.969977930633441]
群同期問題は、そのペア比のノイズ測定から群要素の集合を推定することを含む。群要素を推定する標準的な方法は、線形および非線形作用素を反復的に適用することに基づいている。深層ニューラルネットワークと構造的類似性により、我々はアルゴリズムのアンロールの概念を採用した。
論文参考訳（メタデータ） (2022-07-19T17:25:56Z)
Robust Group Synchronization via Quadratic Programming [15.254598796939922]
グループ同期における汚職レベルを推定するための2次計画法を提案する。目的関数はグループのサイクル整合性を利用しており、この手法を構造整合性の検出と推定(DESC)と呼ぶ。回転平均化の合成および実データ実験において,本手法の競合精度を示す。
論文参考訳（メタデータ） (2022-06-17T20:08:03Z)
A Spectral Method for Joint Community Detection and Orthogonal Group Synchronization [20.413250472034143]
我々は、スペクトル分解ステップとブロックワイドカラムピボットQR因子分解(CPQR)からなる単純なアルゴリズムを提案する。提案アルゴリズムは効率的で,データ点数に応じて線形にスケールする。また、最近開発されたLeft-one-out技術を利用して、クラスタメンバシップの正確なリカバリをほぼ最適に保証する。
論文参考訳（メタデータ） (2021-12-25T07:38:14Z)
Learning Iterative Robust Transformation Synchronization [71.73273007900717]
グラフニューラルネットワーク(GNN)を用いて変換同期を学習することを提案する。本研究では、ロバストな損失関数のハンドクラフトを回避するとともに、グラフニューラルネットワーク(GNN)を用いて変換同期を学習することを提案する。
論文参考訳（メタデータ） (2021-11-01T07:03:14Z)
Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise Comparisons [85.5955376526419]
ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
論文参考訳（メタデータ） (2021-10-08T13:51:55Z)
Near-Optimal Performance Bounds for Orthogonal and Permutation Group Synchronization via Spectral Methods [0.7614628596146599]
グループ同期は、それぞれの測定値からグループ要素を復元することを要求する。スペクトル法は効率と利便性で大人気でしたランダムな乱れの下での置換群同期では、広く使われている2段階の手順がすべての群要素を正確に復元できることが示される。
論文参考訳（メタデータ） (2020-08-12T14:20:16Z)
Accelerated Message Passing for Entropy-Regularized MAP Inference [89.15658822319928]
離散値のランダムフィールドにおけるMAP推論の最大化は、機械学習の基本的な問題である。この問題の難しさから、特殊メッセージパッシングアルゴリズムの導出には線形プログラミング(LP)緩和が一般的である。古典的加速勾配の根底にある手法を活用することにより,これらのアルゴリズムを高速化するランダム化手法を提案する。
論文参考訳（メタデータ） (2020-07-01T18:43:32Z)
Corruption-Tolerant Gaussian Process Bandit Optimization [130.60115798580136]
未知(典型的には非生成)関数を有界ノルムで最適化する問題を考察する。我々は「高速だが非ローバスト」と「スロー」に基づく高速スローGP-UCBに基づくアルゴリズムを提案する。ある種の依存関係は、汚職レベルによっては要求できない、と我々は主張する。
論文参考訳（メタデータ） (2020-03-04T09:46:58Z)

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。