論文の概要: Unsupervised Learning for Robust Fitting:A Reinforcement Learning
Approach
- arxiv url: http://arxiv.org/abs/2103.03501v1
- Date: Fri, 5 Mar 2021 07:14:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-08 15:05:24.925228
- Title: Unsupervised Learning for Robust Fitting:A Reinforcement Learning
Approach
- Title(参考訳): ロバストフィットのための教師なし学習:強化学習アプローチ
- Authors: Giang Truong, Huu Le, David Suter, Erchuan Zhang, Syed Zulqarnain
Gilani
- Abstract要約: 堅牢なモデルフィッティングを解決するための新しいフレームワークを紹介します。
他の方法とは異なり、私たちの仕事は基本的な入力機能に無知です。
実験により,本手法が既存の学習手法より優れていることを示す。
- 参考スコア(独自算出の注目度): 25.851792661168698
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robust model fitting is a core algorithm in a large number of computer vision
applications. Solving this problem efficiently for datasets highly contaminated
with outliers is, however, still challenging due to the underlying
computational complexity. Recent literature has focused on learning-based
algorithms. However, most approaches are supervised which require a large
amount of labelled training data. In this paper, we introduce a novel
unsupervised learning framework that learns to directly solve robust model
fitting. Unlike other methods, our work is agnostic to the underlying input
features, and can be easily generalized to a wide variety of LP-type problems
with quasi-convex residuals. We empirically show that our method outperforms
existing unsupervised learning approaches, and achieves competitive results
compared to traditional methods on several important computer vision problems.
- Abstract(参考訳): ロバストモデルフィッティングは、多数のコンピュータビジョンアプリケーションの中核となるアルゴリズムである。
しかし、この問題をoutlierで高度に汚染されたデータセットで効率的に解くことは、基礎となる計算の複雑さのために依然として困難である。
最近の文献は学習に基づくアルゴリズムに焦点を当てている。
しかし、ほとんどのアプローチは大量のラベル付きトレーニングデータを必要とする教師付きである。
本稿では,ロバストなモデル適合性を直接解くことを学ぶための教師なし学習フレームワークを提案する。
他の方法とは異なり、我々の研究は基礎となる入力特徴とは無関係であり、準凸残差を持つ多種多様なLP型問題に容易に一般化できる。
提案手法は既存の教師なし学習手法よりも優れており,コンピュータビジョン問題における従来の手法と比較して,競争力のある結果が得られることを実証的に示す。
関連論文リスト
- A General Framework for Learning from Weak Supervision [97.4298482689398]
本稿では、新しいアルゴリズムを用いて、弱監督(GLWS)から学習するための一般的な枠組みを紹介する。
GLWSの中心は期待最大化(EM)の定式化であり、様々な弱い監督源を順応的に収容している。
また,EM計算要求を大幅に単純化する高度なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-02-02T21:48:50Z) - A Novel Differentiable Loss Function for Unsupervised Graph Neural
Networks in Graph Partitioning [5.22145960878624]
グラフ分割問題はNPハードプロブレムとして認識される。
グラフ分割問題を解決するために,教師なしグラフニューラルネットワークを用いた新しいパイプラインを導入する。
我々は、現代の最先端技術に対する我々の方法論を厳格に評価し、メトリクス(カットとバランス)に重点を置いています。
論文 参考訳(メタデータ) (2023-12-11T23:03:17Z) - Neural Algorithmic Reasoning Without Intermediate Supervision [21.852775399735005]
我々は、中間的監督に訴えることなく、入出力ペアからのみニューラルネットワーク推論を学ぶことに集中する。
我々は、アルゴリズムの軌跡にアクセスできることなく、モデルの中間計算を正規化できる自己教師対象を構築する。
CLRSic Algorithmic Reasoning Benchmarkのタスクにおいて,提案手法はトラジェクトリを教師する手法と競合することを示す。
論文 参考訳(メタデータ) (2023-06-23T09:57:44Z) - Towards Robust Dataset Learning [90.2590325441068]
本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。
ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
論文 参考訳(メタデータ) (2022-11-19T17:06:10Z) - A Novel Plug-and-Play Approach for Adversarially Robust Generalization [26.29269757430314]
本稿では,機械学習モデルを摂動テストデータから保護するために,逆向きに堅牢なトレーニングを利用する堅牢なフレームワークを提案する。
モデル推定中に各サンプルに対する固定予算内に最悪の加法的逆誤差を組み込むことにより、これを実現する。
論文 参考訳(メタデータ) (2022-08-19T17:02:55Z) - Stabilizing Q-learning with Linear Architectures for Provably Efficient
Learning [53.17258888552998]
本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。
このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
論文 参考訳(メタデータ) (2022-06-01T23:26:51Z) - What Makes Good Contrastive Learning on Small-Scale Wearable-based
Tasks? [59.51457877578138]
本研究では,ウェアラブル型行動認識タスクにおけるコントラスト学習について検討する。
本稿では,PyTorchライブラリのtextttCL-HAR について述べる。
論文 参考訳(メタデータ) (2022-02-12T06:10:15Z) - Simple Stochastic and Online Gradient DescentAlgorithms for Pairwise
Learning [65.54757265434465]
ペアワイズ学習(Pairwise learning)とは、損失関数がペアインスタンスに依存するタスクをいう。
オンライン降下(OGD)は、ペアワイズ学習でストリーミングデータを処理する一般的なアプローチである。
本稿では,ペアワイズ学習のための手法について,シンプルでオンラインな下降を提案する。
論文 参考訳(メタデータ) (2021-11-23T18:10:48Z) - Fast Multi-label Learning [19.104773591885884]
本研究の目的は、複雑なトレーニングプロセスなしで競争性能を達成できる、証明可能な保証付き簡易な方法を提供することである。
論文 参考訳(メタデータ) (2021-08-31T01:07:42Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z)
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。