Fugu-MT 論文翻訳(概要): Differentiable Histogram with Hard-Binning

論文の概要: Differentiable Histogram with Hard-Binning

arxiv url: http://arxiv.org/abs/2012.06311v1
Date: Fri, 20 Nov 2020 21:52:03 GMT
ステータス: 処理完了
システム内更新日: 2022-09-23 05:12:25.488425
Title: Differentiable Histogram with Hard-Binning
Title（参考訳）: ハードバイニングを用いた微分可能ヒストグラム
Authors: Ibrahim Yusuf, George Igwegbe, Oluwafemi Azeez
Abstract要約: 従来のヒストグラムのハードバイニング操作を直接近似する微分可能なヒストグラムを提案する。 Numpyを用いて計算したヒストグラムと比較して、提案したヒストグラムの絶対近似誤差は0.000158である。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The simplicity and expressiveness of a histogram render it a useful feature in different contexts including deep learning. Although the process of computing a histogram is non-differentiable, researchers have proposed differentiable approximations, which have some limitations. A differentiable histogram that directly approximates the hard-binning operation in conventional histograms is proposed. It combines the strength of existing differentiable histograms and overcomes their individual challenges. In comparison to a histogram computed using Numpy, the proposed histogram has an absolute approximation error of 0.000158.
Abstract（参考訳）: ヒストグラムの単純さと表現力は、深層学習を含む様々な文脈で有用な特徴である。ヒストグラムの計算プロセスは微分不可能であるが、研究者は微分可能近似を提案している。従来のヒストグラムのハードバイニング操作を直接近似する微分可能なヒストグラムを提案する。既存の微分可能なヒストグラムの強さを組み合わせ、個々の課題を克服する。 numpyで計算したヒストグラムと比較して,提案するヒストグラムの絶対近似誤差は0.000158である。

関連論文リスト

Restoring Images in Adverse Weather Conditions via Histogram Transformer [75.74328579778049]
悪天候による画像の復元に有効なヒストグラム変換器(Histoformer)を提案する。これはヒストグラム自己アテンション( histogram self-attention)と呼ばれるメカニズムで、空間的特徴を強度ベースのビンに分類し、セグメント化する。ヒストグラムの自己アテンションを高めるために,従来のコンボリューションが類似画素上で動作できるようにするダイナミックレンジ・コンボリューションを提案する。
論文参考訳（メタデータ） (2024-07-14T11:59:22Z)
Semantic Graph Representation Learning for Handwritten Mathematical Expression Recognition [57.60390958736775]
セマンティック・インタラクション・ラーニング(SIL)の簡易かつ効率的な手法を提案する。まず,統計的シンボル共起確率に基づく意味グラフを構築する。次に、視覚的および分類的特徴を意味空間に投影する意味認識モジュール(SAM)を設計する。本手法は, CROHMEとHME100Kの両方のデータセットにおいて, 先行技術よりも優れた認識性能を実現する。
論文参考訳（メタデータ） (2023-08-21T06:23:41Z)
Two-level histograms for dealing with outliers and heavy tail distributions [0.0]
我々は,G-Enumヒストグラム法に着目し,最小記述長(MDL)の原理を用いてユーザパラメータを使わずにヒストグラムを構築する。本研究では, 降圧器や重み付き分布の場合に, この手法の限界について検討する。最初のレベルはデータの対数変換を利用して、データセットを制御範囲の値を持つデータサブセットのリストに分割する。第2のレベルは、各データサブセットに対してサブヒストグラムを構築し、それらを集約して完全なヒストグラムを得る。
論文参考訳（メタデータ） (2023-06-09T09:57:18Z)
Anonymized Histograms in Intermediate Privacy Models [54.32252900997422]
我々は,シャッフルDPおよびパンプライベートモデルにおいて,$tildeO_varepsilon(sqrtn)$とほぼ一致する誤差を保証するアルゴリズムを提案する。我々のアルゴリズムは非常に単純で、離散的なラプラスノイズヒストグラムを後処理するだけである。
論文参考訳（メタデータ） (2022-10-27T05:11:00Z)
Learning Sparse Graph with Minimax Concave Penalty under Gaussian Markov Random Fields [51.07460861448716]
本稿では,データから学ぶための凸解析フレームワークを提案する。三角凸分解はその上部に対応する変換によって保証されることを示す。
論文参考訳（メタデータ） (2021-09-17T17:46:12Z)
FGOT: Graph Distances based on Filters and Optimal Transport [62.779521543654134]
グラフ比較は、グラフ間の類似点と相違点の識別を扱う。大きな障害は、グラフの未知のアライメントと、正確で安価な比較指標の欠如である。本研究では,フィルタグラフ距離近似を導入する。
論文参考訳（メタデータ） (2021-09-09T17:43:07Z)
Diff2Dist: Learning Spectrally Distinct Edge Functions, with Applications to Cell Morphology Analysis [4.133143218285944]
本稿では,グラフのエッジウェイトを「目に見える記述的」に学習する手法を提案する。グラフ上の既知距離測度を一般化する(グラフ拡散距離) また,この手法の生体画像解析への応用についても述べる。
論文参考訳（メタデータ） (2021-06-29T20:40:22Z)
The Earth Mover's Pinball Loss: Quantiles for Histogram-Valued Regression [0.0]
本稿では,クロスビン情報を組み込んだDeep Learningベースのヒストグラム回帰法を提案する。本手法は,具体例,サッカー関連課題,天体物理学的コンピュータビジョン問題を用いて検証する。
論文参考訳（メタデータ） (2021-06-03T18:00:04Z)
Online Dense Subgraph Discovery via Blurred-Graph Feedback [87.9850024070244]
我々は高密度サブグラフ発見のための新しい学習問題を導入する。まず,確率の高いほぼ最適解を求めるエッジ時間アルゴリズムを提案する。そして、理論的保証のあるよりスケーラブルなアルゴリズムを設計する。
論文参考訳（メタデータ） (2020-06-24T11:37:33Z)
Continuous Histogram Loss: Beyond Neural Similarity [0.0]
我々は最近提案されたヒストグラム損失を多値類似度に一般化する連続ヒストグラム損失(CHL)と呼ばれる新しい損失関数を導入する。この新たな損失は、類似性学習、表現学習、データ視覚化など、幅広いタスクを解決できる。
論文参考訳（メタデータ） (2020-04-06T17:20:24Z)
Just SLaQ When You Approximate: Accurate Spectral Distances for Web-Scale Graphs [6.72542623686684]
本研究では,数十億のノードとエッジを持つグラフ間のスペクトル距離を計算するための,効率的かつ効率的な近似手法であるSLaQを提案する。 SLaQは既存の手法よりも優れており、近似精度は数桁向上することが多い。
論文参考訳（メタデータ） (2020-03-03T01:25:07Z)

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。