論文の概要: Hierarchical Representation via Message Propagation for Robust Model
Fitting
- arxiv url: http://arxiv.org/abs/2012.14597v1
- Date: Tue, 29 Dec 2020 04:14:19 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-18 20:37:00.681185
- Title: Hierarchical Representation via Message Propagation for Robust Model
Fitting
- Title（参考訳）: ロバストモデルフィッティングのためのメッセージ伝搬による階層表現
- Authors: Shuyuan Lin, Xing Wang, Guobao Xiao, Yan Yan, Hanzi Wang
- Abstract要約: 堅牢なモデルフィッティングのためのメッセージ伝搬(HRMP)法による新しい階層表現を提案する。
コンセンサス情報と選好情報を階層的表現として定式化し、粗悪な外れ値に対する感度を緩和する。
提案するhrmpは,複数のモデルインスタンスの数とパラメータを正確に推定するだけでなく,多数の異常値で汚染されたマルチストラクショナルデータを処理できる。
- 参考スコア（独自算出の注目度）: 28.03005930782681
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we propose a novel hierarchical representation via message
propagation (HRMP) method for robust model fitting, which simultaneously takes
advantages of both the consensus analysis and the preference analysis to
estimate the parameters of multiple model instances from data corrupted by
outliers, for robust model fitting. Instead of analyzing the information of
each data point or each model hypothesis independently, we formulate the
consensus information and the preference information as a hierarchical
representation to alleviate the sensitivity to gross outliers. Specifically, we
firstly construct a hierarchical representation, which consists of a model
hypothesis layer and a data point layer. The model hypothesis layer is used to
remove insignificant model hypotheses and the data point layer is used to
remove gross outliers. Then, based on the hierarchical representation, we
propose an effective hierarchical message propagation (HMP) algorithm and an
improved affinity propagation (IAP) algorithm to prune insignificant vertices
and cluster the remaining data points, respectively. The proposed HRMP can not
only accurately estimate the number and parameters of multiple model instances,
but also handle multi-structural data contaminated with a large number of
outliers. Experimental results on both synthetic data and real images show that
the proposed HRMP significantly outperforms several state-of-the-art model
fitting methods in terms of fitting accuracy and speed.
- Abstract（参考訳）: 本稿では,ロバストなモデルフィッティングのためのメッセージ伝搬(hrmp)方式による階層表現を提案する。ロバストなモデルフィッティングのために,複数のモデルインスタンスのパラメータを,外れ値で破損したデータから推定するために,コンセンサス解析と選好解析の両方の利点を同時に活用する。
各データポイントまたは各モデル仮説の情報を独立して分析するのではなく、コンセンサス情報と選好情報を階層表現として定式化し、グロス外れ値に対する感度を緩和する。
具体的には,まずモデル仮説層とデータ点層からなる階層表現を構築する。
モデル仮説層は、重要でないモデル仮説を取り除くために使われ、データポイント層は、グロスアウトリアーを除去するために使用される。
次に,階層的表現に基づき,有効な階層的メッセージ伝達(hmp)アルゴリズムと改良された親和性伝達(iap)アルゴリズムを提案する。
提案するhrmpは,複数のモデルインスタンスの数とパラメータを正確に推定するだけでなく,多数の異常値で汚染されたマルチストラクショナルデータを処理できる。
合成データと実画像の両方による実験結果から,提案したHRMPは適合精度と速度の点で,いくつかの最先端モデル適合法よりも優れていた。
関連論文リスト
- IMACS: Image Model Attribution Comparison Summaries [16.80986701058596]
我々は,勾配に基づくモデル属性とアグリゲーションと可視化技術を組み合わせたIMACSを提案する。
IMACSは評価データセットから適切な入力特徴を抽出し、類似性に基づいてクラスタ化し、類似した入力特徴に対するモデル属性の違いを可視化する。
本稿では,衛星画像上で訓練した2つのモデル間の領域シフトによる行動差を明らかにする方法を示す。
論文 参考訳（メタデータ） (2022-01-26T21:35:14Z) - Model-based Clustering with Missing Not At Random Data [0.0]
本研究では,MNAR(Missing Not At Random)データをモデルベースクラスタリングアルゴリズムに直接埋め込む手法を提案する。
意味のあるMNARサブモデルの大規模なセットを導出し,各サブモデルのパラメータの同定可能性について検討した。
論文 参考訳（メタデータ） (2021-12-20T09:52:12Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。
クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。
MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
論文 参考訳（メタデータ） (2021-06-08T00:30:43Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳（メタデータ） (2021-06-01T19:19:49Z) - Attentional Prototype Inference for Few-Shot Semantic Segmentation [114.74344993331196]
数ショットセマンティックセグメンテーションのための確率的潜時変数フレームワークである注目プロトタイプ推論(API)を提案する。
我々は各オブジェクトカテゴリのプロトタイプを表現するためにグローバル潜在変数を定義し、確率分布としてモデル化する。
我々は3つのベンチマークについて広範な実験を行い,提案手法は最先端手法よりも,少なくとも競争性が高く,しばしば優れた性能を得る。
論文 参考訳（メタデータ） (2021-05-14T06:58:44Z) - Learning deep autoregressive models for hierarchical data [0.6445605125467573]
時間的畳み込みネットワーク(STCN)の拡張として,階層構造化データのモデルを提案する。
提案したモデルは,音声と手書きの2種類の連続データを用いて評価する。
論文 参考訳（メタデータ） (2021-04-28T15:58:45Z) - How Faithful is your Synthetic Data? Sample-level Metrics for Evaluating
and Auditing Generative Models [95.8037674226622]
ドメインに依存しない方法で生成モデルの忠実度,多様性,一般化性能を特徴付ける3次元評価指標を提案する。
当社のメトリクスは、精度リコール分析により統計的発散測定を統合し、モデル忠実度と多様性のサンプルおよび分布レベルの診断を可能にします。
論文 参考訳（メタデータ） (2021-02-17T18:25:30Z) - Split Modeling for High-Dimensional Logistic Regression [0.2676349883103404]
短時間コンパイルしたアンサンブルロジスティック分類モデルに対して,新しい手法を提案する。
本手法は,予測精度に優れたバイアスオフの活用法を学習する。
提案手法を実装したオープンソースソフトウェアライブラリを議論する。
論文 参考訳（メタデータ） (2021-02-17T05:57:26Z) - Analysis and tuning of hierarchical topic models based on Renyi entropy
approach [5.487882744996213]
階層レベルのトピック数を含む階層モデルのパラメータのチューニングは、依然として困難な課題である。
本稿では,Renyi entropy-based approach for a part solution to the above problemを提案する。
論文 参考訳（メタデータ） (2021-01-19T12:54:47Z)
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。