Fugu-MT 論文翻訳(概要): Impact of signal-to-noise ratio and bandwidth on graph Laplacian spectrum from high-dimensional noisy point cloud

論文の概要: Impact of signal-to-noise ratio and bandwidth on graph Laplacian spectrum from high-dimensional noisy point cloud

arxiv url: http://arxiv.org/abs/2011.10725v3
Date: Sun, 17 Jul 2022 12:58:45 GMT
ステータス: 処理完了
システム内更新日: 2022-09-22 23:41:29.807511
Title: Impact of signal-to-noise ratio and bandwidth on graph Laplacian spectrum from high-dimensional noisy point cloud
Title（参考訳）: 高次元ノイズ点雲のグラフラプラシアンスペクトルに及ぼす信号対雑音比と帯域幅の影響
Authors: Xiucai Ding and Hau-Tieng Wu
Abstract要約: 本研究では,高次元および雑音の多いランダム点雲から構築したカーネルベースグラフラプラシアンのスペクトルについて検討する。我々は信号と雑音が信号と雑音の比(SNR)の異なる条件でどのように相互作用するかを定量化する。
参考スコア（独自算出の注目度）: 8.680676599607125
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We systematically {study the spectrum} of kernel-based graph Laplacian (GL) constructed from high-dimensional and noisy random point cloud in the nonnull setup, where the point cloud is sampled from a low-dimensional geometric object, like a manifold, and corrupted by high-dimensional noise. We quantify how the signal and noise interact over different regimes of signal-to-noise ratio (SNR), and report {the resulting peculiar spectral behavior} of GL. In addition, we explore the choice of kernel bandwidth on the spectrum of GL over different regimes of SNR, which leads to an adaptive choice of bandwidth that coincides with the common practice in real data. This result provides a theoretical support for what practitioner do when the dataset is noisy.
Abstract（参考訳）: カーネルベースのグラフ Laplacian (GL) のスペクトルを非ヌルなセットアップで高次元および雑音のランダムな点群から構築し、そこで点群は多様体のような低次元幾何学的対象からサンプリングされ、高次元ノイズによって劣化する。信号と雑音の相互作用をsnr(signal-to-noise ratio)の異なる領域で定量化し,glの固有スペクトル挙動を報告した。さらに,SNRの異なる規則に対して,GLのスペクトル上でのカーネル帯域幅の選択について検討し,実データに共通する帯域幅の適応的選択を導いた。この結果は、データセットが騒がしいときに実践者が行うことに対する理論的サポートを提供する。

関連論文リスト

Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
論文参考訳（メタデータ） (2024-11-21T14:19:32Z)
Dual-Frequency Filtering Self-aware Graph Neural Networks for Homophilic and Heterophilic Graphs [60.82508765185161]
我々は、Dual-Frequency Filtering Self-Aware Graph Neural Networks (DFGNN)を提案する。 DFGNNは低域通過フィルタと高域通過フィルタを統合し、滑らかで詳細な位相的特徴を抽出する。フィルター比を動的に調整し、ホモフィルグラフとヘテロフィルグラフの両方に対応する。
論文参考訳（メタデータ） (2024-11-18T04:57:05Z)
Hyperspectral Band Selection based on Generalized 3DTV and Tensor CUR Decomposition [8.812294191190896]
ハイパースペクトルイメージングはリモートセンシングにおいて重要な技術である。高次元とデータボリュームは、重大な計算上の課題を生じさせる。データを低ランクで滑らかな成分とスパース成分に分解することで,新しいスペクトル帯域選択モデルを提案する。
論文参考訳（メタデータ） (2024-05-02T02:23:38Z)
Bayesian Formulations for Graph Spectral Denoising [9.086602432203417]
本稿では,グラフ上の信号としてモデル化された複雑なデータに関連付けられた特徴を,前もって滑らかに表現する問題を考察する。本稿では, ガウス雑音, 落下音, 均一分布雑音によって信号が乱される場合のアルゴリズムを提案する。単一セルRNAシークエンスデータにおいて、画像データ上の白色ノイズや重篤なドロップアウトから信号を効果的に復元するアルゴリズムの能力を実証する。
論文参考訳（メタデータ） (2023-11-27T23:53:19Z)
How do kernel-based sensor fusion algorithms behave under high dimensional noise? [9.13755431537592]
我々は2つのカーネルベースセンサー融合アルゴリズムNCCAと交互拡散(AD)の挙動について検討する。 NCCAとADが正当性チェックなしでノイズの多い点群に直接適用されれば、科学者の解釈を誤解させる人工的な情報を生成する可能性がある。一方、帯域幅が適切に選択された場合、SNRが比較的大きい場合、NCCAとADの両方を高次元雑音に対して堅牢にすることができる。
論文参考訳（メタデータ） (2021-11-22T01:42:28Z)
Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
論文参考訳（メタデータ） (2021-06-26T06:24:51Z)
Lattice partition recovery with dyadic CART [79.96359947166592]
我々は、$d$次元格子上の加法ガウス雑音によって破損したピースワイド定値信号について検討する。この形式のデータは、多くのアプリケーションで自然に発生し、統計処理や信号処理の文献において、信号の検出やテスト、ノイズの除去、推定といったタスクが広く研究されている。本稿では,未知の信号の一貫性領域によって誘導される格子の分割を推定する,分割回復の問題について考察する。我々は、DCARTベースの手順が、下位分割を$sigma2 k*の順序で一貫して推定することを証明した。
論文参考訳（メタデータ） (2021-05-27T23:41:01Z)
Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文参考訳（メタデータ） (2020-11-17T12:52:18Z)
Learning Graph-Convolutional Representations for Point Cloud Denoising [31.557988478764997]
本稿では,学習ベースのポイントクラウド処理手法で発生する置換不変問題に対処可能なディープニューラルネットワークを提案する。ネットワークは完全に畳み込み可能で、近傍グラフを動的に構築することで、機能の複雑な階層を構築することができる。特に高騒音レベルと実LiDARスキャンで遭遇したような構造ノイズの存在の両方において堅牢である。
論文参考訳（メタデータ） (2020-07-06T08:11:28Z)
Hyperspectral Image Denoising with Partially Orthogonal Matrix Vector Tensor Factorization [42.56231647066719]
ハイパースペクトル画像(HSI)は、スペクトルの余分な情報により、様々な用途の自然画像に対していくつかの利点がある。買収の間、しばしばガウシアンノイズ、インパルスノイズ、期限、ストライプなどの厳しい騒音によって汚染される。本研究では,スムーズかつロバストな低ランクテンソルリカバリというHSI復元手法を提案する。
論文参考訳（メタデータ） (2020-06-29T02:10:07Z)
Shape Matters: Understanding the Implicit Bias of the Noise Covariance [76.54300276636982]
勾配降下のノイズはパラメータ化モデルに対するトレーニングにおいて重要な暗黙の正則化効果をもたらす。ミニバッチやラベルの摂動によって引き起こされるパラメータ依存ノイズはガウスノイズよりもはるかに効果的であることを示す。分析の結果,パラメータ依存ノイズは局所最小値に偏りを生じさせるが,球状ガウス雑音は生じないことがわかった。
論文参考訳（メタデータ） (2020-06-15T18:31:02Z)

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。