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: 翻訳完了
- 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
- Generalized Grade-of-Membership Estimation for High-dimensional Locally Dependent Data [6.626575011678484]
混合会員モデルは、調査回答と集団遺伝データの分析に広く利用されている。
ベイジアンMCMC推論のような既存のアプローチはスケーラブルではなく、高次元設定では理論的保証が欠如している。
本稿では,3方向準テンソルを「脂肪」行列に平坦化し,パラメータを推定するための特異値分解を行う,新しい,シンプルなアプローチを提案する。
論文 参考訳（メタデータ） (2024-12-27T18:51:15Z) - Statistical signatures of abstraction in deep neural networks [0.0]
我々は、ベンチマークデータセットに基づいてトレーニングされたDeep Belief Network(DBN)において、抽象表現がどのように現れるかを研究する。
表現は最大関連性の原理によって決定される普遍モデルに近づくことを示す。
また、プラスチック度は脳のそれと同じような深さで増加することも示しています。
論文 参考訳（メタデータ） (2024-07-01T14:13:11Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳（メタデータ） (2024-03-11T05:35:38Z) - Minimally Supervised Learning using Topological Projections in
Self-Organizing Maps [55.31182147885694]
自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。
提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。
提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
論文 参考訳（メタデータ） (2024-01-12T22:51:48Z) - A Federated Data Fusion-Based Prognostic Model for Applications with Multi-Stream Incomplete Signals [1.2277343096128712]
本稿では、複数のユーザが共同で障害時間予測モデルを構築することができるフェデレーション予測モデルを提案する。
数値解析により,提案モデルの性能は古典的非フェデレーション予測モデルと同一であることが示唆された。
論文 参考訳（メタデータ） (2023-11-13T17:08:34Z) - Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳（メタデータ） (2023-04-04T17:54:32Z) - Learning from aggregated data with a maximum entropy model [73.63512438583375]
我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。
我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
論文 参考訳（メタデータ） (2022-10-05T09:17:27Z) - 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) - Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。
我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。
その結果,我々のモデルは最先端の性能を達成できることがわかった。
論文 参考訳（メタデータ） (2020-10-12T03:27:07Z) - Predicting Multidimensional Data via Tensor Learning [0.0]
本研究では,本データセットの内在的多次元構造を保持するモデルを開発する。
モデルパラメータを推定するために、オルタネート・リースト・スクエアスアルゴリズムを開発した。
提案モデルは,予測文献に存在するベンチマークモデルより優れている。
論文 参考訳（メタデータ） (2020-02-11T11:57:07Z)
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。
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。