論文の概要: More Informed Random Sample Consensus
- arxiv url: http://arxiv.org/abs/2011.09116v1
- Date: Wed, 18 Nov 2020 06:43:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 04:55:21.889022
- Title: More Informed Random Sample Consensus
- Title（参考訳）: よりインフォームドなランダムサンプルコンセンサス
- Authors: Guoxiang Zhang and YangQuan Chen
- Abstract要約: 本稿では,L'evy分布とデータソートアルゴリズムを併用してデータをサンプリングする手法を提案する。
提案手法の仮説サンプリングステップでは, データをソートアルゴリズムでソートし, 不整集合にあるデータ点の確率に基づいてデータをソートする。
次に、L'evy分布のソートされたデータから仮説をサンプリングする。
- 参考スコア（独自算出の注目度）: 1.827510863075184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Random sample consensus (RANSAC) is a robust model-fitting algorithm. It is
widely used in many fields including image-stitching and point cloud
registration. In RANSAC, data is uniformly sampled for hypothesis generation.
However, this uniform sampling strategy does not fully utilize all the
information on many problems. In this paper, we propose a method that samples
data with a L\'{e}vy distribution together with a data sorting algorithm. In
the hypothesis sampling step of the proposed method, data is sorted with a
sorting algorithm we proposed, which sorts data based on the likelihood of a
data point being in the inlier set. Then, hypotheses are sampled from the
sorted data with L\'{e}vy distribution. The proposed method is evaluated on
both simulation and real-world public datasets. Our method shows better results
compared with the uniform baseline method.
- Abstract（参考訳）: ランダムサンプルコンセンサス(RANSAC)は、堅牢なモデル適合アルゴリズムである。
画像スティッチや点雲登録など多くの分野で広く使われている。
RANSACでは、データは仮説生成のために一様にサンプリングされる。
しかし、この一様サンプリング戦略は、多くの問題に関する全ての情報を十分に活用していない。
本稿では,l\'{e}vy分布を用いてデータソートアルゴリズムとともにデータをサンプリングする手法を提案する。
提案手法の仮説サンプリングステップでは,不規則集合内のデータ点の確率に基づいてデータをソートするソートアルゴリズムを用いてデータをソートする。
次に、L\'{e}vy分布のソートされたデータから仮説をサンプリングする。
提案手法はシミュレーションと実世界の公開データセットの両方で評価される。
本手法は, 均一なベースライン法よりも優れた結果を示す。
関連論文リスト
- Stochastic Approximation Approaches to Group Distributionally Robust Optimization and Beyond [89.72693227960274]
本稿では,グループ分散ロバスト最適化 (GDRO) を,$m$以上の異なる分布をうまく処理するモデルを学習する目的で検討する。
各ラウンドのサンプル数を$m$から1に抑えるため、GDROを2人でプレイするゲームとして、一方のプレイヤーが実行し、他方のプレイヤーが非公開のマルチアームバンディットのオンラインアルゴリズムを実行する。
第2のシナリオでは、最大リスクではなく、平均的最上位k$リスクを最適化し、分散の影響を軽減することを提案する。
論文 参考訳（メタデータ） (2023-02-18T09:24:15Z) - Variance reduced Shapley value estimation for trustworthy data valuation [16.03510965397185]
階層化サンプリングを用いたよりロバストなデータ評価手法を提案する。
理論的には、層状化の方法、各層でどれだけのサンプルを採取するか、そしてVRDSの複雑さ分析の例を示す。
論文 参考訳（メタデータ） (2022-10-30T13:04:52Z) - Langevin Monte Carlo for Contextual Bandits [72.00524614312002]
Langevin Monte Carlo Thompson Sampling (LMC-TS) が提案されている。
提案アルゴリズムは,文脈的帯域幅の特別な場合において,最高のトンプソンサンプリングアルゴリズムと同じサブ線形残差を達成できることを示す。
論文 参考訳（メタデータ） (2022-06-22T17:58:23Z) - Achieving Representative Data via Convex Hull Feasibility Sampling
Algorithms [35.29582673348303]
トレーニングデータのバイアスをサンプリングすることは、機械学習システムにおけるアルゴリズムバイアスの主要な原因である。
得られたデータから代表的データセットを収集できるかどうかを高信頼で判断するために,適応的なサンプリング手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T23:14:05Z) - A Case Study on Sampling Strategies for Evaluating Neural Sequential
Item Recommendation Models [69.32128532935403]
負の項目をサンプリングする2つのよく知られた戦略は、一様ランダムサンプリングと人気によるサンプリングである。
我々は、現在最先端のシーケンシャルレコメンデータモデルを再評価する。
いずれのサンプリング戦略も,モデルの完全なランキングと比較すると,一貫性のないランキングを生成できることがわかった。
論文 参考訳（メタデータ） (2021-07-27T19:06:03Z) - Local policy search with Bayesian optimization [73.0364959221845]
強化学習は、環境との相互作用によって最適な政策を見つけることを目的としている。
局所探索のための政策勾配は、しばしばランダムな摂動から得られる。
目的関数の確率モデルとその勾配を用いたアルゴリズムを開発する。
論文 参考訳（メタデータ） (2021-06-22T16:07:02Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳（メタデータ） (2021-05-23T19:21:55Z) - Optimal Sampling Gaps for Adaptive Submodular Maximization [28.24164217929491]
アダプティブサブモジュラの文脈における確率サンプリングによる性能損失について検討する。
ポリシワイズ・サブモジュラの性質は、現実世界の幅広いアプリケーションで見つけることができることを示しています。
論文 参考訳（メタデータ） (2021-04-05T03:21:32Z) - Two-Sample Testing on Ranked Preference Data and the Role of Modeling
Assumptions [57.77347280992548]
本稿では,ペアワイズ比較データとランキングデータのための2サンプル試験を設計する。
私たちのテストでは、基本的に分布に関する仮定は必要ありません。
実世界のペアワイズ比較データに2サンプルテストを適用することで、人によって提供される評価とランキングは、実際は異なる分散である、と結論付ける。
論文 参考訳（メタデータ） (2020-06-21T20:51:09Z) - Tell Me Something I Don't Know: Randomization Strategies for Iterative
Data Mining [0.6100370338020054]
我々は、以前に発見されたパターンやモデルを考慮に入れられるように、データのランダム化の問題を考える。
本稿では,以前に発見されたパターンやモデルを考慮に入れたデータランダム化の問題について考察する。
論文 参考訳（メタデータ） (2020-06-16T19:20:50Z) - Domain Adaptive Bootstrap Aggregating [5.444459446244819]
ブートストラップ集約(英: bootstrap aggregating)は、予測アルゴリズムの安定性を改善する一般的な方法である。
本稿では, ドメイン適応型バッグング手法と, 隣り合う新しい反復型サンプリング手法を提案する。
論文 参考訳（メタデータ） (2020-01-12T20:02:58Z)
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。
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。