Fugu-MT 論文翻訳(概要): Data driven Dirichlet sampling on manifolds

論文の概要: Data driven Dirichlet sampling on manifolds

arxiv url: http://arxiv.org/abs/2101.00947v1
Date: Tue, 29 Dec 2020 11:19:45 GMT
ステータス: 処理完了
システム内更新日: 2021-04-19 02:49:54.786180
Title: Data driven Dirichlet sampling on manifolds
Title（参考訳）: 多様体上のデータ駆動ディリクレサンプリング
Authors: Luan S Prado and Thiago G Ritto
Abstract要約: 提案手法は, データの観測を行う基礎となる多様体を完全に尊重し, 少ない計算労力で大量のサンプリングを行う。例えば、ニューラルネットワークのトレーニングプロセスや不確実性解析や最適化において、これは非常に役に立ちます。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This article presents a novel method to sampling on manifolds based on the Dirichlet distribution. The proposed strategy allows to completely respect the underlying manifold around which data is observed, and to do massive samplings with low computational effort. This can be very helpful, for instance, in neural networks training process, as well as in uncertainty analysis and stochastic optimization. Due to its simplicity and efficiency, we believe that the new method has great potential. Three manifolds (two dimensional ring, Mobius strip and spider geometry) are considered to test the proposed methodology, and then it is employed to an engineering application, related to gas seal coefficients.
Abstract（参考訳）: 本稿では、ディリクレ分布に基づく多様体をサンプリングする新しい方法を提案する。提案手法は, データの観測を行う基礎となる多様体を完全に尊重し, 少ない計算労力で大量のサンプリングを行う。これは、例えば、ニューラルネットワークのトレーニングプロセスや不確実性解析や確率的最適化において、非常に役に立ちます。その単純さと効率のため、我々は新しい手法には大きな可能性があると考えている。 3つの多様体 (2次元リング, Mobius strip, クモ幾何学) は提案手法を検証し, ガスシール係数に関する工学的応用に適用する。

関連論文リスト

Dynamical Measure Transport and Neural PDE Solvers for Sampling [77.38204731939273]
本研究では, 対象物へのトラクタブル密度関数の移動として, 確率密度からサンプリングする作業に取り組む。物理インフォームドニューラルネットワーク(PINN)を用いて各偏微分方程式(PDE)の解を近似する。 PINNはシミュレーションと離散化のない最適化を可能にし、非常に効率的に訓練することができる。
論文参考訳（メタデータ） (2024-07-10T17:39:50Z)
Efficient, Multimodal, and Derivative-Free Bayesian Inference With Fisher-Rao Gradient Flows [10.153270126742369]
正規化定数を含む確率分布の効率的な近似サンプリングについて検討した。具体的には,科学技術応用における大規模逆問題に対するベイズ推定における問題クラスに着目する。
論文参考訳（メタデータ） (2024-06-25T04:07:22Z)
Seeking the Yield Barrier: High-Dimensional SRAM Evaluation Through Optimal Manifold [3.258560324501261]
最適マニフォールド重要サンプリング(OPTIMIS)と呼ばれる新しい収量推定法を開発した。 OPTIMISは、高次元評価におけるSOTA法よりも3.5倍の効率と3倍の精度で、ロバスト性と整合性を備えた最先端性能を提供する。
論文参考訳（メタデータ） (2023-07-28T19:21:39Z)
Unsupervised Learning of Sampling Distributions for Particle Filters [80.6716888175925]
観測結果からサンプリング分布を学習する4つの方法を提案する。実験により、学習されたサンプリング分布は、設計された最小縮退サンプリング分布よりも優れた性能を示すことが示された。
論文参考訳（メタデータ） (2023-02-02T15:50:21Z)
An optimal transport approach for selecting a representative subsample with application in efficient kernel density estimation [21.632131776088084]
サブサンプリング手法は、観察されたサンプルのサロゲートとしてサブサンプルを選択することを目的としている。既存のモデルフリーのサブサンプリングメソッドは通常、クラスタリング技術やカーネルのトリックに基づいて構築される。最適な輸送手法を用いたモデルフリーサブサンプリング手法を提案する。
論文参考訳（メタデータ） (2022-05-31T05:19:29Z)
Inferring Manifolds From Noisy Data Using Gaussian Processes [17.166283428199634]
ほとんどの既存の多様体学習アルゴリズムは、元のデータを低次元座標で置き換える。本稿では,これらの問題に対処するための新しい手法を提案する。
論文参考訳（メタデータ） (2021-10-14T15:50:38Z)
Manifold Hypothesis in Data Analysis: Double Geometrically-Probabilistic Approach to Manifold Dimension Estimation [92.81218653234669]
本稿では, 多様体仮説の検証と基礎となる多様体次元推定に対する新しいアプローチを提案する。我々の幾何学的手法はミンコフスキー次元計算のためのよく知られたボックスカウントアルゴリズムのスパースデータの修正である。実データセットの実験では、2つの手法の組み合わせに基づく提案されたアプローチが強力で効果的であることが示されている。
論文参考訳（メタデータ） (2021-07-08T15:35:54Z)
On the Importance of Sampling in Learning Graph Convolutional Networks [13.713485304798368]
Graph Convolutional Networks (GCNs) は、様々なグラフ関連アプリケーションにおいて、目覚ましい進歩を遂げている。その成功にもかかわらず、大きなグラフ上でのgcnのトレーニングは計算とメモリの問題に苦しむ。メモリ予算下で任意のサンプリングメソッドを高速化できる一般的なtextbftextitdoubly variance reductionスキーマを記述・解析する。
論文参考訳（メタデータ） (2021-03-03T21:31:23Z)
Deep Magnification-Flexible Upsampling over 3D Point Clouds [103.09504572409449]
本稿では,高密度点雲を生成するためのエンドツーエンド学習ベースのフレームワークを提案する。まずこの問題を明示的に定式化し、重みと高次近似誤差を判定する。そこで我々は,高次改良とともに,統一重みとソート重みを適応的に学習する軽量ニューラルネットワークを設計する。
論文参考訳（メタデータ） (2020-11-25T14:00:18Z)
Pathwise Conditioning of Gaussian Processes [72.61885354624604]
ガウス過程後部をシミュレーションするための従来のアプローチでは、有限個の入力位置のプロセス値の限界分布からサンプルを抽出する。この分布中心の特徴づけは、所望のランダムベクトルのサイズで3次スケールする生成戦略をもたらす。条件付けのこのパスワイズ解釈が、ガウス過程の後部を効率的にサンプリングするのに役立てる近似の一般族をいかに生み出すかを示す。
論文参考訳（メタデータ） (2020-11-08T17:09:37Z)
There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
論文参考訳（メタデータ） (2020-04-06T17:58:08Z)

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。