論文の概要: Optimal-transport-based metric for SMLM

• arxiv url: http://arxiv.org/abs/2010.13423v2
• Date: Sat, 6 Feb 2021 22:50:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 20:26:15.741307
• Title: Optimal-transport-based metric for SMLM
• Title（参考訳）: SMLMのための最適輸送基準
• Authors: Quentin Denoyelle, Thanh-an Pham, Pol del Aguila Pla, Daniel Sage, and Michael Unser
• Abstract要約: 単分子局在化顕微鏡における再構成手法の性能評価にフラットメトリックを用いることを提案する。 本稿では,Flat Metricの基礎を提供し,制御された合成例やSMLM 2016 Challengeのデータに適用することで,その評価を行う。
• 参考スコア（独自算出の注目度）: 19.228982468834644
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose the use of Flat Metric to assess the performance of reconstruction methods for single-molecule localization microscopy (SMLM) in scenarios where the ground-truth is available. Flat Metric is intimately related to the concept of optimal transport between measures of different mass, providing solid mathematical foundations for SMLM evaluation and integrating both localization and detection performance. In this paper, we provide the foundations of Flat Metric and validate this measure by applying it to controlled synthetic examples and to data from the SMLM 2016 Challenge.
• Abstract（参考訳）: 本研究では, 単一分子局在化顕微鏡(SMLM)の再構成手法の性能評価にフラットメトリックを用いることを提案する。 フラット・メトリは、異なる質量の測度間の最適な輸送の概念と密接に関連しており、SMLMの評価と局所化と検出性能の統合のための確かな数学的基礎を提供する。 本稿では,Flat Metricの基礎を提供し,制御された合成例やSMLM 2016 Challengeのデータに適用することで,その評価を行う。

関連論文リスト

• MetaMetrics-MT: Tuning Meta-Metrics for Machine Translation via Human Preference Calibration [14.636927775315783]
  本稿では,機械翻訳(MT)タスクを評価するためのメタメトリックスMTを提案する。 WMT24メトリック共有タスクデータセットの実験は、MetaMetrics-MTが既存のベースライン全てより優れていることを示す。
  論文  参考訳（メタデータ） (2024-11-01T06:34:30Z)
• Towards Scalable Semantic Representation for Recommendation [65.06144407288127]
  大規模言語モデル(LLM)に基づく意味的IDを構築するために、Mixture-of-Codesを提案する。 提案手法は,識別性と寸法の堅牢性に優れたスケーラビリティを実現し,提案手法で最高のスケールアップ性能を実現する。
  論文  参考訳（メタデータ） (2024-10-12T15:10:56Z)
• Detecting Training Data of Large Language Models via Expectation Maximization [62.28028046993391]
  メンバーシップ推論攻撃(MIA)は、特定のインスタンスがターゲットモデルのトレーニングデータの一部であるかどうかを判断することを目的としている。 大規模言語モデル(LLM)にMIAを適用することは、事前学習データの大規模化と、会員シップのあいまいさによって、ユニークな課題をもたらす。 EM-MIAは,予測最大化アルゴリズムを用いて,メンバーシップスコアとプレフィックススコアを反復的に洗練するLLMの新しいMIA手法である。
  論文  参考訳（メタデータ） (2024-10-10T03:31:16Z)
• Distributional Preference Alignment of LLMs via Optimal Transport [36.95053112313244]
  最適輸送(AOT)によるアライメント(Alignment)と呼ばれるLLMの分布選好アライメント手法を提案する。 AOTは、正のサンプルの報酬分布を負のサンプルの分布の第1次において支配的に支配することにより、LLMを未ペアの選好データに整合させる。 AOTは,Open LLM BenchmarksとAlpacaEvalで評価すると,7Bモデルの最先端モデルにつながることを示す。
  論文  参考訳（メタデータ） (2024-06-09T18:41:05Z)
• LCOT: Linear circular optimal transport [12.500693755673796]
  LCOT(Linear Circular Optimal Transport)と呼ばれる円周確率測定のための新しい計算効率の指標を提案する。 提案されたメトリクスには、機械学習(ML)アルゴリズムを組込み尺度に適用可能な、明示的な線形埋め込みが付属している。 提案手法は, 循環最適輸送(COT)に根付いており, 固定基準測度に対するCOT測度の線形化とみなすことができる。
  論文  参考訳（メタデータ） (2023-10-09T14:37:56Z)
• FederatedScope-LLM: A Comprehensive Package for Fine-tuning Large Language Models in Federated Learning [70.38817963253034]
  本稿では, ファインチューニング LLM のこれらの課題について論じ, 本パッケージ FS-LLM を主な貢献として紹介する。 我々は、FLシナリオにおける将来の拡張のために、包括的フェデレーションパラメータ効率の良い微調整アルゴリズムの実装と汎用プログラミングインタフェースを提供する。 本研究では, FS-LLM の有効性を検証し, FL 設定におけるパラメータ効率の高いパラメータ調整アルゴリズムを用いて, 高度な LLM のベンチマークを行う。
  論文  参考訳（メタデータ） (2023-09-01T09:40:36Z)
• Simulation-based inference using surjective sequential neural likelihood estimation [50.24983453990065]
  主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。 データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• Riemannian Metric Learning via Optimal Transport [34.557360177483595]
  進化する確率測度の断面サンプルからメトリックを学習するための最適輸送ベースモデルを提案する。 本手法を用いて学習したメトリクスは,cRNAと鳥の移動データに基づく軌道推定の精度を向上させる。
  論文  参考訳（メタデータ） (2022-05-18T23:32:20Z)
• Fast and Robust Ground Surface Estimation from LIDAR Measurements using Uniform B-Splines [3.337790639927531]
  自動走行車におけるLIDAR測定から地上面を高速かつ頑健に推定する手法を提案する。 本稿では,線形問題として再計算可能なLS最適化問題として推定過程をモデル化する。 実世界のシナリオにおける研究車両のアプローチを検証する。
  論文  参考訳（メタデータ） (2022-03-02T15:26:51Z)
• Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
  DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
  論文  参考訳（メタデータ） (2021-06-14T17:19:44Z)
• Energy-Efficient and Federated Meta-Learning via Projected Stochastic Gradient Ascent [79.58680275615752]
  エネルギー効率のよいメタラーニングフレームワークを提案する。 各タスクは別々のエージェントによって所有されていると仮定するため、メタモデルをトレーニングするために限られたタスクが使用される。
  論文  参考訳（メタデータ） (2021-05-31T08:15:44Z)

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。