論文の概要: Nonlinear Distribution Regression for Remote Sensing Applications

• arxiv url: http://arxiv.org/abs/2012.06377v1
• Date: Mon, 7 Dec 2020 22:04:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-16 20:49:26.101725
• Title: Nonlinear Distribution Regression for Remote Sensing Applications
• Title（参考訳）: リモートセンシングのための非線形分布回帰
• Authors: Jose E. Adsuara, Adri\'an P\'erez-Suay, Jordi Mu\~noz-Mar\'i, Anna Mateo-Sanchis, Maria Piles, Gustau Camps-Valls
• Abstract要約: 多くのリモートセンシングアプリケーションでは、観察から関心のある変数やパラメータを推定したい。 ニューラルネットワーク、ランダムフォレスト、ガウス過程などの標準アルゴリズムは、これら2つに関連して容易に利用可能である。 本稿では, グループ化されたデータの統計を仮定することなく, 従来の問題を解く非線形(カーネルベース)な分散回帰法を提案する。
• 参考スコア（独自算出の注目度）: 6.664736150040092
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In many remote sensing applications one wants to estimate variables or parameters of interest from observations. When the target variable is available at a resolution that matches the remote sensing observations, standard algorithms such as neural networks, random forests or Gaussian processes are readily available to relate the two. However, we often encounter situations where the target variable is only available at the group level, i.e. collectively associated to a number of remotely sensed observations. This problem setting is known in statistics and machine learning as {\em multiple instance learning} or {\em distribution regression}. This paper introduces a nonlinear (kernel-based) method for distribution regression that solves the previous problems without making any assumption on the statistics of the grouped data. The presented formulation considers distribution embeddings in reproducing kernel Hilbert spaces, and performs standard least squares regression with the empirical means therein. A flexible version to deal with multisource data of different dimensionality and sample sizes is also presented and evaluated. It allows working with the native spatial resolution of each sensor, avoiding the need of match-up procedures. Noting the large computational cost of the approach, we introduce an efficient version via random Fourier features to cope with millions of points and groups.
• Abstract（参考訳）: 多くのリモートセンシングアプリケーションでは、観測から変数やパラメータを推定したい。 対象変数がリモートセンシング観測と一致する解像度で利用できる場合、ニューラルネットワークやランダムフォレスト、ガウス過程といった標準的なアルゴリズムは、この2つを関連付けるために容易に利用できる。 しかし、ターゲット変数がグループレベルでのみ利用可能である場合、すなわち、しばしば発生する。 多数のリモートセンシングされた観測と関連している。 この問題は統計学や機械学習において「複数インスタンス学習」あるいは「分散回帰」として知られている。 本稿では, グループ化されたデータの統計を仮定することなく, 従来の問題を解く非線形(カーネルベース)な分散回帰法を提案する。 この定式化は、再生成核ヒルベルト空間における分布埋め込みを考慮し、経験的手段を用いて標準最小二乗回帰を行う。 異なる次元とサンプルサイズを持つマルチソースデータを扱う柔軟なバージョンも提示し、評価した。 これにより、各センサーのネイティブな空間分解能を処理でき、マッチング手順の必要性を回避できる。 このアプローチの計算コストが大きいことから,無作為なフーリエ機能を用いて,数百万の点とグループに対処する効率的なバージョンを導入する。

関連論文リスト

• Decomposing Gaussians with Unknown Covariance [3.734088413551237]
  本稿では,ガウスデータに対する従来の分解手法をすべて包含する一般アルゴリズムを提案する。 これは$n>1$の場合にサンプル分割に代わる、より柔軟でフレキシブルな代替となる。 これらの分解を、代替戦略が利用できない設定において、モデル選択と選択後推論のタスクに適用する。
  論文  参考訳（メタデータ） (2024-09-17T18:56:08Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Estimating Unknown Population Sizes Using the Hypergeometric Distribution [1.03590082373586]
  総人口と構成カテゴリーの規模が不明な場合, 個別分布の推定に挑戦する。 本研究では,連続潜伏変数上での分布条件の混合となるデータ生成過程について考察する。 実験データシミュレーションにより,本手法は数値データをモデル化する他の可能性関数よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-02-22T01:53:56Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Learning versus Refutation in Noninteractive Local Differential Privacy [133.80204506727526]
  非対話的局所差分プライバシー(LDP)における2つの基本的な統計課題について検討する。 本研究の主な成果は,非対話型LDPプロトコルにおけるPAC学習の複雑さの完全な評価である。
  論文  参考訳（メタデータ） (2022-10-26T03:19:24Z)
• Unsupervised Anomaly and Change Detection with Multivariate Gaussianization [8.508880949780893]
  データの高次元性を考えると、異常検出は難しい問題である。 本稿では,リモートセンシング画像の異常や変化を検出する教師なし手法を提案する。 異常検出と変化検出の両方を含む実験において,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-04-12T10:52:33Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Random Forest Weighted Local Fréchet Regression with Random Objects [18.128663071848923]
  本稿では,新しいランダム森林重み付き局所Fr'echet回帰パラダイムを提案する。 最初の方法は、これらの重みを局所平均として、条件付きFr'echet平均を解くことである。 第二の手法は局所線形Fr'echet回帰を行い、どちらも既存のFr'echet回帰法を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-10T09:10:59Z)
• Unrolling Particles: Unsupervised Learning of Sampling Distributions [102.72972137287728]
  粒子フィルタリングは複素系の優れた非線形推定を計算するために用いられる。 粒子フィルタは様々なシナリオにおいて良好な推定値が得られることを示す。
  論文  参考訳（メタデータ） (2021-10-06T16:58:34Z)
• Flexible Model Aggregation for Quantile Regression [92.63075261170302]
  量子回帰は、予測の不確実性を定量化する必要性によって動機付けられた統計学習の基本的な問題である。 条件付き量子モデルの任意の数を集約する手法について検討する。 この論文で検討するモデルはすべて、現代のディープラーニングツールキットに適合します。
  論文  参考訳（メタデータ） (2021-02-26T23:21:16Z)
• An Embedded Model Estimator for Non-Stationary Random Functions using Multiple Secondary Variables [0.0]
  本稿では,本手法を導入し,地理的モデリングや量子ランダムフォレストに適用した結果と自然に類似した一貫性を有することを示す。 このアルゴリズムは、各ターゲット位置におけるターゲット変数の条件分布を推定することで機能する。
  論文  参考訳（メタデータ） (2020-11-09T00:14:24Z)

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。