Fugu-MT 論文翻訳(概要): Sampling of Shape Expressions

論文の概要: Sampling of Shape Expressions

arxiv url: http://arxiv.org/abs/2106.11041v1
Date: Fri, 28 May 2021 07:29:37 GMT
ステータス: 処理完了
システム内更新日: 2023-03-29 04:09:24.205897
Title: Sampling of Shape Expressions
Title（参考訳）: 形状表現のサンプリング
Authors: Nicolas Basset, Thao Dang, Felix Gigler, Cristinel Mateis, Dejan Nickovic
Abstract要約: 形状表現を体系的にサンプリングする手法を提案する。提案手法は,オートマトンを均一にサンプリングする手法と,ヒットアンドランのモンテカルロサンプリング手法を組み合わせたものである。
参考スコア（独自算出の注目度）: 0.39373541926236766
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Cyber-physical systems (CPS) are increasingly becoming driven by data, using multiple types of sensors to capture huge amounts of data. Extraction and characterization of useful information from big streams of data is a challenging problem. Shape expressions facilitate formal specification of rich temporal patterns encountered in time series as well as in behaviors of CPS. In this paper, we introduce a method for systematically sampling shape expressions. The proposed approach combines methods for uniform sampling of automata (for exploring qualitative shapes) with hit-and-run Monte Carlo sampling procedures (for exploring multi-dimensional parameter spaces defined by sets of possibly non-linear constraints). We study and implement several possible solutions and evaluate them in the context of visualization and testing applications.
Abstract（参考訳）: サイバー物理システム(CPS)は、大量のデータを捉えるために複数のタイプのセンサーを使用して、データによってますます推進されている。大規模データストリームからの有用な情報の抽出とキャラクタリゼーションは難しい課題である。形状表現はCPSの振舞いと同様に時系列で発生する豊富な時間パターンの形式的仕様を促進する。本稿では,形状表現を体系的にサンプリングする手法を提案する。提案手法は, オートマトン(定性的形状を探索する)の一様サンプリング法と, ヒット・アンド・ランモンテカルロサンプリング法(非線形制約の集合によって定義される多次元パラメータ空間を探索する手法)を組み合わせたものである。いくつかの可能なソリューションを研究、実装し、それらを可視化およびテストアプリケーションのコンテキストで評価する。

関連論文リスト

Learning to sample fibers for goodness-of-fit testing [0.0]
離散指数族モデルに対する完全適合性テストを構築することの問題点を考察する。この問題をマルコフ決定プロセスに変換し、サンプリングのための「よい動きを学ぶための強化学習アプローチ」を示す。提案アルゴリズムは,評価可能な収束性を持つアクタ・クリティカル・サンプリング方式に基づいている。
論文参考訳（メタデータ） (2024-05-22T19:33:58Z)
ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
論文参考訳（メタデータ） (2024-05-22T15:23:10Z)
CS4ML: A general framework for active learning with arbitrary data based on Christoffel functions [0.7366405857677226]
回帰問題における能動的学習のための一般的なフレームワークを紹介する。本フレームワークは, 有限個のサンプリング測度と任意の非線形近似空間に基づいて, ランダムサンプリングを考察する。本稿では,能動的学習が望ましい科学計算の応用に焦点を当てる。
論文参考訳（メタデータ） (2023-06-01T17:44:19Z)
T1: Scaling Diffusion Probabilistic Fields to High-Resolution on Unified Visual Modalities [69.16656086708291]
拡散確率場(DPF)は、距離空間上で定義された連続関数の分布をモデル化する。本稿では,局所構造学習に着目したビューワイズサンプリングアルゴリズムによる新しいモデルを提案する。モデルは、複数のモダリティを統一しながら、高解像度のデータを生成するためにスケールすることができる。
論文参考訳（メタデータ） (2023-05-24T03:32:03Z)
PAC Reinforcement Learning for Predictive State Representations [60.00237613646686]
部分的に観察可能な力学系におけるオンライン強化学習(RL)について検討する。我々は、他のよく知られたモデルをキャプチャする表現モデルである予測状態表現(PSR)モデルに焦点を当てる。我々は,サンプル複雑性のスケーリングにおいて,ほぼ最適なポリシを学習可能な,PSRのための新しいモデルベースアルゴリズムを開発した。
論文参考訳（メタデータ） (2022-07-12T17:57:17Z)
BIMS-PU: Bi-Directional and Multi-Scale Point Cloud Upsampling [60.257912103351394]
我々はBIMS-PUと呼ばれる新しいポイント・クラウド・アップサンプリング・パイプラインを開発した。対象のサンプリング因子を小さな因子に分解することにより,アップ/ダウンサンプリング手順をいくつかのアップ/ダウンサンプリングサブステップに分解する。提案手法は最先端手法よりも優れた結果が得られることを示す。
論文参考訳（メタデータ） (2022-06-25T13:13:37Z)
Probabilistic Registration for Gaussian Process 3D shape modelling in the presence of extensive missing data [63.8376359764052]
本稿では,ガウス過程の定式化に基づく形状適合/登録手法を提案する。様々な変換を持つ2次元の小さなデータセットと耳の3次元データセットの両方で実験が行われる。
論文参考訳（メタデータ） (2022-03-26T16:48:27Z)
A survey of unsupervised learning methods for high-dimensional uncertainty quantification in black-box-type problems [0.0]
複素偏微分方程式(PPDE)上の量子化不確実性(UQ)のための代理モデルを構築する。次元性の呪いは、適切な教師なし学習技術で使用される事前次元の部分空間である。我々は,m-PCEモデルの利点と限界を実証し,m-PCEモデルが深部部分空間に対するコスト効率の良いアプローチを提供すると結論付けた。
論文参考訳（メタデータ） (2022-02-09T16:33:40Z)
Efficient Multidimensional Functional Data Analysis Using Marginal Product Basis Systems [2.4554686192257424]
多次元関数データのサンプルから連続表現を学習するためのフレームワークを提案する。本研究では, テンソル分解により, 得られた推定問題を効率的に解けることを示す。我々は、ニューロイメージングにおける真のデータ応用で締めくくっている。
論文参考訳（メタデータ） (2021-07-30T16:02:15Z)
Pattern Discovery in Time Series with Byte Pair Encoding [12.338599136651261]
そこで本研究では,時系列の共通パターンに基づいて時系列の表現を学習するための教師なし手法を提案する。このようにして、この方法は、データに存在する長期的および短期的な依存関係の両方をキャプチャすることができる。
論文参考訳（メタデータ） (2021-05-30T00:47:19Z)
Fast Hierarchical Games for Image Explanations [78.16853337149871]
本稿では,シェープリー係数の階層的拡張に基づく画像分類のモデル非依存な説明法を提案する。他のShapleyベースの説明手法とは異なり、h-Shapはスケーラブルで近似を必要とせずに計算できる。本手法は,合成データセット,医用画像シナリオ,一般コンピュータビジョン問題において,一般的なシャプリーベースおよび非サプリーベース手法と比較した。
論文参考訳（メタデータ） (2021-04-13T13:11:02Z)

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。