Fugu-MT 論文翻訳(概要): The EM Perspective of Directional Mean Shift Algorithm

論文の概要: The EM Perspective of Directional Mean Shift Algorithm

arxiv url: http://arxiv.org/abs/2101.10058v1
Date: Mon, 25 Jan 2021 13:17:12 GMT
ステータス: 処理完了
システム内更新日: 2021-03-15 09:59:04.381749
Title: The EM Perspective of Directional Mean Shift Algorithm
Title（参考訳）: 方向性平均シフトアルゴリズムのEMパースペクティブ
Authors: Yikun Zhang, Yen-Chi Chen
Abstract要約: 指向性平均シフト (DMS) アルゴリズムは、単位超球面上のカーネル密度推定器によって定義される局所的な密度モードを求める非パラメトリックな手法である。任意のdmsを一般化期待最大化(em)アルゴリズムと見なすことができることを示す。
参考スコア（独自算出の注目度）: 3.60425753550939
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The directional mean shift (DMS) algorithm is a nonparametric method for pursuing local modes of densities defined by kernel density estimators on the unit hypersphere. In this paper, we show that any DMS iteration can be viewed as a generalized Expectation-Maximization (EM) algorithm; in particular, when the von Mises kernel is applied, it becomes an exact EM algorithm. Under the (generalized) EM framework, we provide a new proof for the ascending property of density estimates and demonstrate the global convergence of directional mean shift sequences. Finally, we give a new insight into the linear convergence of the DMS algorithm.
Abstract（参考訳）: 指向性平均シフト (DMS) アルゴリズムは、単位超球面上のカーネル密度推定器によって定義される局所的な密度モードを求める非パラメトリックな手法である。本稿では、任意の DMS 反復を一般化期待最大化 (EM) アルゴリズムとして見ることができること、特に von Mises カーネルを適用すると、正確な EM アルゴリズムとなることを示す。一般化された)emフレームワークの下では、密度推定の上昇特性の新たな証明を提供し、方向平均シフト列のグローバル収束を実証する。最後に,dmsアルゴリズムの線形収束に関する新たな知見を与える。

関連論文リスト

Stability and Generalization of the Decentralized Stochastic Gradient Descent Ascent Algorithm [80.94861441583275]
本稿では,分散勾配勾配(D-SGDA)アルゴリズムの一般化境界の複雑さについて検討する。本研究は,D-SGDAの一般化における各因子の影響を解析した。また、最適凸凹設定を得るために一般化とバランスをとる。
論文参考訳（メタデータ） (2023-10-31T11:27:01Z)
Adaptive Annealed Importance Sampling with Constant Rate Progress [68.8204255655161]
Annealed Importance Smpling (AIS)は、抽出可能な分布から重み付けされたサンプルを合成する。本稿では,alpha$-divergencesに対する定数レートAISアルゴリズムとその効率的な実装を提案する。
論文参考訳（メタデータ） (2023-06-27T08:15:28Z)
Optimal Algorithms for the Inhomogeneous Spiked Wigner Model [89.1371983413931]
不均一な問題に対する近似メッセージパッシングアルゴリズム(AMP)を導出する。特に,情報理論の閾値よりも大きい信号と雑音の比を必要とする既知のアルゴリズムが,ランダムよりも優れた処理を行うための統計的・計算的ギャップの存在を同定する。
論文参考訳（メタデータ） (2023-02-13T19:57:17Z)
Low-Discrepancy Points via Energetic Variational Inference [5.936959130012709]
本稿では,カーネルの不一致を最小限に抑えて,決定論的変分推論手法を提案し,低差分点を生成する。得られたアルゴリズムをEVI-MMDと命名し、対象分布が完全に特定された例を通して実演する。その性能は、分布近似、数値積分、生成学習の応用における代替手法と比較して満足できる。
論文参考訳（メタデータ） (2021-11-21T03:09:07Z)
Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
論文参考訳（メタデータ） (2021-06-14T17:19:44Z)
Linear Convergence of the Subspace Constrained Mean Shift Algorithm: From Euclidean to Directional Data [3.60425753550939]
SCMSアルゴリズムは、適応的なステップサイズを持つ部分空間制約付き勾配上昇アルゴリズムの特別な変種であると主張する。提案した方向性SCMSアルゴリズムの線形収束性を証明する。
論文参考訳（メタデータ） (2021-04-29T01:46:35Z)
Space Partitioning and Regression Mode Seeking via a Mean-Shift-Inspired Algorithm [5.990174495635326]
平均シフト(MS)アルゴリズムは、サンプルポイントをクラスタリングし、カーネル密度推定の局所モードを見つけるために使われる非パラメトリックな手法である。回帰関数のモードを推定し,入力空間内のサンプル点を分割するアルゴリズムを開発した。
論文参考訳（メタデータ） (2021-04-20T16:35:17Z)
Quantum Algorithm for DOA Estimation in Hybrid Massive MIMO [1.7404865362620803]
アレイ信号処理における到着方向推定(DOA)は重要な研究領域である。本稿では,MUSICに基づくDOA推定のための量子アルゴリズムを提案する。提案アルゴリズムは, パラメータの指数的な高速化と, 穏やかな条件下での高速化を実現する。
論文参考訳（メタデータ） (2021-02-08T02:15:07Z)
Sampling in Combinatorial Spaces with SurVAE Flow Augmented MCMC [83.48593305367523]
ハイブリッドモンテカルロ(Hybrid Monte Carlo)は、複素連続分布からサンプリングする強力なマルコフ連鎖モンテカルロ法である。本稿では,SurVAEフローを用いたモンテカルロ法の拡張に基づく新しい手法を提案する。本稿では,統計学,計算物理学,機械学習など,様々な分野におけるアルゴリズムの有効性を実証し,代替アルゴリズムと比較した改良点を考察する。
論文参考訳（メタデータ） (2021-02-04T02:21:08Z)
Kernel Smoothing, Mean Shift, and Their Learning Theory with Directional Data [2.8935588665357077]
本稿では,方向データに対するカーネル平滑化の統計的および計算的問題について検討する。我々は、古典平均シフトアルゴリズムを指向性データに一般化し、指向性カーネル密度推定器(KDE)の局所モードを同定する。
論文参考訳（メタデータ） (2020-10-23T01:53:47Z)
A Dynamical Systems Approach for Convergence of the Bayesian EM Algorithm [59.99439951055238]
我々は、(離散時間)リアプノフ安定性理論が、必ずしも勾配ベースではない最適化アルゴリズムの分析(および潜在的な設計)において、いかに強力なツールとして役立つかを示す。本稿では,不完全データベイズフレームワークにおけるパラメータ推定を,MAP-EM (maximum a reari expectation-maximization) と呼ばれる一般的な最適化アルゴリズムを用いて行うことに着目したML問題について述べる。高速収束(線形あるいは二次的)が達成され,S&Cアプローチを使わずに発表することが困難であった可能性が示唆された。
論文参考訳（メタデータ） (2020-06-23T01:34:18Z)

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。