論文の概要: Inadequacy of Linear Methods for Minimal Sensor Placement and Feature
Selection in Nonlinear Systems; a New Approach Using Secants
- arxiv url: http://arxiv.org/abs/2101.11162v1
- Date: Wed, 27 Jan 2021 01:57:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-01 19:51:35.239248
- Title: Inadequacy of Linear Methods for Minimal Sensor Placement and Feature
Selection in Nonlinear Systems; a New Approach Using Secants
- Title(参考訳): 非線形系における最小センサ配置と特徴選択のための線形手法の不確かさ : セカントを用いた新しいアプローチ
- Authors: Samuel E. Otto and Clarence W. Rowley
- Abstract要約: 一般の非線形逆問題に対するセンサ配置と特徴選択のための新しいデータ駆動手法を提案する。
我々は3つの効率的なグリージーアルゴリズムを開発し、それぞれ異なる種類の堅牢で最小に近い復元保証を提供する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Sensor placement and feature selection are critical steps in engineering,
modeling, and data science that share a common mathematical theme: the selected
measurements should enable solution of an inverse problem. Most real-world
systems of interest are nonlinear, yet the majority of available techniques for
feature selection and sensor placement rely on assumptions of linearity or
simple statistical models. We show that when these assumptions are violated,
standard techniques can lead to costly over-sensing without guaranteeing that
the desired information can be recovered from the measurements. In order to
remedy these problems, we introduce a novel data-driven approach for sensor
placement and feature selection for a general type of nonlinear inverse problem
based on the information contained in secant vectors between data points. Using
the secant-based approach, we develop three efficient greedy algorithms that
each provide different types of robust, near-minimal reconstruction guarantees.
We demonstrate them on two problems where linear techniques consistently fail:
sensor placement to reconstruct a fluid flow formed by a complicated
shock-mixing layer interaction and selecting fundamental manifold learning
coordinates on a torus.
- Abstract(参考訳): センサ配置と特徴選択は、共通の数学的テーマを共有する工学、モデリング、データサイエンスにおいて重要なステップである。
ほとんどの実世界の興味あるシステムは非線形であるが、特徴選択とセンサー配置のためのほとんどの技術は線形性や単純な統計モデルの仮定に依存している。
これらの仮定が破られると、標準技術は、所望の情報が測定値から取り戻せることを保証せずに、コストのかかる過剰センシングにつながる。
そこで本研究では,データ点間のセカントベクトルに含まれる情報に基づいて,一般の非線形逆問題に対するセンサ配置と特徴選択に関する新たなデータ駆動アプローチを提案する。
セカントに基づく手法を用いて, それぞれ異なる種類の頑健で最小に近い復元保証を提供する3つの効率的なグリージーアルゴリズムを開発した。
複雑な衝撃混合層相互作用によって形成される流体流を再構成するためのセンサ配置とトーラス上の基本多様体学習座標の選択である。
関連論文リスト
- Vanishing Point Estimation in Uncalibrated Images with Prior Gravity
Direction [82.72686460985297]
我々はマンハッタンのフレームを推定する問題に取り組む。
2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。
また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
論文 参考訳(メタデータ) (2023-08-21T13:03:25Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳(メタデータ) (2023-04-21T02:20:24Z) - A Deep Gradient Correction Method for Iteratively Solving Linear Systems [5.744903762364991]
本稿では, 方程式の大, 疎, 対称, 正定値線形系の解を近似する新しい手法を提案する。
我々のアルゴリズムは、少数の反復で与えられた許容度に残留する線形系を減少させることができる。
論文 参考訳(メタデータ) (2022-05-22T06:40:38Z) - Learning-based Localizability Estimation for Robust LiDAR Localization [13.298113481670038]
LiDARベースのローカライゼーションとマッピングは、多くの現代のロボットシステムにおける中核的なコンポーネントの1つである。
本研究では,ロボット動作中の(非)局所性を検出するニューラルネットワークに基づく推定手法を提案する。
論文 参考訳(メタデータ) (2022-03-11T01:12:00Z) - Accelerating Non-Negative and Bounded-Variable Linear Regression
Algorithms with Safe Screening [0.0]
非負で有界な線形回帰問題は、機械学習や信号処理における様々な応用に現れる。
本稿では,これらの問題に対して,反復の過程で飽和座標を同定することにより,既存の解法を高速化する手法を提案する。
論文 参考訳(メタデータ) (2022-02-15T09:10:01Z) - Automatic Extrinsic Calibration Method for LiDAR and Camera Sensor
Setups [68.8204255655161]
本論文では,LiDAR,単眼,ステレオカメラを含む任意のセンサのパラメータを校正する手法を提案する。
提案手法は、通常、車両のセットアップで見られるように、非常に異なる解像度とポーズのデバイスを扱うことができる。
論文 参考訳(メタデータ) (2021-01-12T12:02:26Z) - Adaptive Graph-based Generalized Regression Model for Unsupervised
Feature Selection [11.214334712819396]
非相関的かつ識別的特徴の選択は、教師なしの機能選択の重要な問題である。
非相関制約と $ell_2,1$-norm 正規化によって課される新しい一般化回帰モデルを提案する。
それは同時に同じ近所に属するこれらのデータ ポイントの分散を減らすこと無相関および差別的な特徴を選ぶことができます。
論文 参考訳(メタデータ) (2020-12-27T09:07:26Z) - 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) - Multi-Objective Bayesian Optimisation and Joint Inversion for Active
Sensor Fusion [22.04258832800079]
新しい測定値の割当にコストのかかる関数が与えられた場合,多目的最適化と逆問題のためのフレームワークを提案する。
本手法は2次元センサデータと3次元物理特性の多次元前方モデルとを共同で解くために考案された。
本研究では,2次元重力と磁気センサのデータに基づいて,新しいドリルコア測定をどこに配置するかを推奨する。
論文 参考訳(メタデータ) (2020-10-12T01:23:41Z) - Active Learning for Nonlinear System Identification with Guarantees [102.43355665393067]
状態遷移が既知の状態-作用対の特徴埋め込みに線形に依存する非線形力学系のクラスについて検討する。
そこで本稿では, トラジェクティブ・プランニング, トラジェクティブ・トラッキング, システムの再推定という3つのステップを繰り返すことで, この問題を解決するためのアクティブ・ラーニング・アプローチを提案する。
本手法は, 非線形力学系を標準線形回帰の統計速度と同様, パラメトリック速度で推定する。
論文 参考訳(メタデータ) (2020-06-18T04:54:11Z) - Deep Soft Procrustes for Markerless Volumetric Sensor Alignment [81.13055566952221]
本研究では、より堅牢なマルチセンサ空間アライメントを実現するために、マーカーレスデータ駆動対応推定を改善する。
我々は、幾何学的制約を終末的に典型的なセグメンテーションベースモデルに組み込み、対象のポーズ推定タスクと中間密な分類タスクをブリッジする。
実験により,マーカーベースの手法で同様の結果が得られ,マーカーレス手法よりも優れ,またキャリブレーション構造のポーズ変動にも頑健であることがわかった。
論文 参考訳(メタデータ) (2020-03-23T10:51:32Z)
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。