論文の概要: String Tightening as a Self-Organizing Phenomenon: Computation of
Shortest Homotopic Path, Smooth Path, and Convex Hull
- arxiv url: http://arxiv.org/abs/2012.06513v2
- Date: Tue, 16 Feb 2021 01:56:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-11 04:56:37.056399
- Title: String Tightening as a Self-Organizing Phenomenon: Computation of
Shortest Homotopic Path, Smooth Path, and Convex Hull
- Title（参考訳）: 自己組織現象としての弦締め:最短ホモトピックパス,平滑パス,凸ハルの計算
- Authors: Bonny Banerjee
- Abstract要約: 弦を形成する粒子の自己組織化現象をモデル化するSOM(Self-Organizing Map)の変種について検討する。
提案された変種は、文字列引き締め自己組織型ニューラルネットワーク(ston)と呼ばれ、特定の実用的な問題を解決するのに使うことができる。
- 参考スコア（独自算出の注目度）: 9.118517743885553
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The phenomenon of self-organization has been of special interest to the
neural network community for decades. In this paper, we study a variant of the
Self-Organizing Map (SOM) that models the phenomenon of self-organization of
the particles forming a string when the string is tightened from one or both
ends. The proposed variant, called the String Tightening Self-Organizing Neural
Network (STON), can be used to solve certain practical problems, such as
computation of shortest homotopic paths, smoothing paths to avoid sharp turns,
and computation of convex hull. These problems are of considerable interest in
computational geometry, robotics path planning, AI (diagrammatic reasoning),
VLSI routing, and geographical information systems. Given a set of obstacles
and a string with two fixed terminal points in a two dimensional space, the
STON model continuously tightens the given string until the unique shortest
configuration in terms of the Euclidean metric is reached. The STON minimizes
the total length of a string on convergence by dynamically creating and
selecting feature vectors in a competitive manner. Proof of correctness of this
anytime algorithm and experimental results obtained by its deployment are
presented in the paper.
- Abstract（参考訳）: 自己組織化の現象は、数十年間、ニューラルネットワークコミュニティに特に関心を寄せてきた。
本稿では,弦を一方あるいは両端から締め付ける際に,弦を形成する粒子の自己組織化現象をモデル化した自己組織化マップ(SOM)の変種について検討する。
提案した変種は、ストリングタイニング自己組織化ニューラルネットワーク(STON)と呼ばれ、最短ホモトピーパスの計算、鋭い旋回を避けるための滑らかな経路、凸殻の計算など、いくつかの実用的な問題を解決するために使用できる。
これらの問題は、計算幾何学、ロボティクス経路計画、AI(ダイアグラム推論)、VLSIルーティング、地理情報システムにかなりの関心を持っている。
障害物の集合と2次元空間に2つの固定された終点を持つ弦が与えられると、ストンモデルはユークリッド計量の観点で一意に短い構成に達するまで弦を連続的に引き締める。
STONは、競合的な方法で特徴ベクトルを動的に生成し、選択することにより、収束における文字列の総長さを最小化する。
このアルゴリズムの正しさの証明と,その展開によって得られた実験結果について述べる。
関連論文リスト
- Interacting Particle Systems on Networks: joint inference of the network
and the interaction kernel [8.535430501710712]
エージェント間の相互作用のルールを決定するネットワークとシステムの重み行列を推論する。
我々は2つのアルゴリズムを使用する: 1つは演算子回帰と呼ばれる新しいアルゴリズムで、最小2乗のデータを交互に更新する。
どちらのアルゴリズムも、識別可能性と適正性を保証するスケーラブルな条件である。
論文 参考訳（メタデータ） (2024-02-13T12:29:38Z) - Sparse-Input Neural Network using Group Concave Regularization [10.103025766129006]
ニューラルネットワークでは、同時特徴選択と非線形関数推定が困難である。
低次元と高次元の両方の設定における特徴選択のための群凹正規化を用いたスパースインプットニューラルネットワークの枠組みを提案する。
論文 参考訳（メタデータ） (2023-07-01T13:47:09Z) - CBAGAN-RRT: Convolutional Block Attention Generative Adversarial Network
for Sampling-Based Path Planning [0.0]
本稿では,畳み込みブロック注意生成ネットワークを用いた新しい画像ベース学習アルゴリズム(CBAGAN-RRT)を提案する。
GANモデルから生成された経路の確率分布を用いて,RRTアルゴリズムのサンプリングプロセスを導出する。
我々は、citezhang 2021によって生成されたデータセット上で、我々のネットワークをトレーニングし、テストし、我々のアルゴリズムが過去の最先端アルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2023-05-13T20:06:53Z) - kNN-Res: Residual Neural Network with kNN-Graph coherence for point
cloud registration [0.4129225533930966]
本稿では,目標点集合の位相構造を保存した残差ニューラルネットワークを用いた点集合登録法を提案する。
提案手法は2次元トイの例を例に紹介し,高次元フローサイトメトリーを用いて実験を行った。
論文 参考訳（メタデータ） (2023-03-31T18:06:26Z) - On the Effect of Initialization: The Scaling Path of 2-Layer Neural
Networks [21.69222364939501]
教師付き学習では、正規化経路はゼロからの勾配降下の最適化経路の便利な理論的プロキシとして用いられることがある。
この経路がカーネルとリッチレジームの間に連続的に補間されていることを示す。
論文 参考訳（メタデータ） (2023-03-31T05:32:11Z) - Entropic Neural Optimal Transport via Diffusion Processes [105.34822201378763]
本稿では,連続確率分布間のエントロピー最適輸送(EOT)計画を計算するための新しいアルゴリズムを提案する。
提案アルゴリズムは,シュリンガーブリッジ問題(Schr"odinger Bridge problem)として知られるEOTの動的バージョンのサドル点再構成に基づく。
大規模EOTの従来の手法とは対照的に,我々のアルゴリズムはエンドツーエンドであり,単一の学習ステップで構成されている。
論文 参考訳（メタデータ） (2022-11-02T14:35:13Z) - Sketching as a Tool for Understanding and Accelerating Self-attention
for Long Sequences [52.6022911513076]
トランスフォーマーベースのモデルは、自己アテンションモジュールの二次空間と時間的複雑さのために、長いシーケンスを処理するのに効率的ではない。
我々はLinformerとInformerを提案し、低次元投影と行選択により2次複雑性を線形(モジュラー対数因子)に還元する。
理論的解析に基づいて,Skeinformerを提案することにより,自己注意の促進と,自己注意への行列近似の精度の向上を図ることができる。
論文 参考訳（メタデータ） (2021-12-10T06:58:05Z) - Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via
GDPA Linearization [59.87663954467815]
アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。
本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。
実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
論文 参考訳（メタデータ） (2021-09-10T07:01:15Z) - Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。
破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-02-07T14:19:07Z) - Activation Relaxation: A Local Dynamical Approximation to
Backpropagation in the Brain [62.997667081978825]
活性化緩和(AR)は、バックプロパゲーション勾配を力学系の平衡点として構成することで動機付けられる。
我々のアルゴリズムは、正しいバックプロパゲーション勾配に迅速かつ堅牢に収束し、単一のタイプの計算単位しか必要とせず、任意の計算グラフで操作できる。
論文 参考訳（メタデータ） (2020-09-11T11:56:34Z) - Single-Timescale Stochastic Nonconvex-Concave Optimization for Smooth
Nonlinear TD Learning [145.54544979467872]
本稿では,各ステップごとに1つのデータポイントしか必要としない2つの単一スケールシングルループアルゴリズムを提案する。
本研究の結果は, 同時一次および二重側収束の形で表される。
論文 参考訳（メタデータ） (2020-08-23T20:36:49Z)
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。