論文の概要: A local approach to parameter space reduction for regression and classification tasks

• arxiv url: http://arxiv.org/abs/2107.10867v1
• Date: Thu, 22 Jul 2021 18:06:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-26 14:15:22.279792
• Title: A local approach to parameter space reduction for regression and classification tasks
• Title（参考訳）: 回帰・分類課題に対するパラメータ空間削減への局所的アプローチ
• Authors: Francesco Romor and Marco Tezzele and Gianluigi Rozza
• Abstract要約: 局所能動部分空間 (LAS) と呼ばれる新しい手法を提案する。 LASは、正確な応答面の設計のためのパラメータ空間のより効率的な次元削減を行うために、教師付きクラスタリング技術による活性部分空間のシナジーを探索する。 LASはサロゲートモデリングのために素晴らしい結果をもたらす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Frequently, the parameter space, chosen for shape design or other applications that involve the definition of a surrogate model, present subdomains where the objective function of interest is highly regular or well behaved. So, it could be approximated more accurately if restricted to those subdomains and studied separately. The drawback of this approach is the possible scarcity of data in some applications, but in those, where a quantity of data, moderately abundant considering the parameter space dimension and the complexity of the objective function, is available, partitioned or local studies are beneficial. In this work we propose a new method called local active subspaces (LAS), which explores the synergies of active subspaces with supervised clustering techniques in order to perform a more efficient dimension reduction in the parameter space for the design of accurate response surfaces. We also developed a procedure to exploit the local active subspace information for classification tasks. Using this technique as a preprocessing step onto the parameter space, or output space in case of vectorial outputs, brings remarkable results for the purpose of surrogate modelling.
• Abstract（参考訳）: しばしば、形状設計や代理モデルの定義を含む他の用途のために選択されるパラメータ空間は、目的の関数が非常に規則的またはよく振る舞うサブドメインを提示する。 したがって、これらのサブドメインに制限され、個別に研究すれば、より正確に近似することができる。 このアプローチの欠点は、いくつかのアプリケーションにおけるデータの不足の可能性にあるが、パラメータ空間次元と目的関数の複雑さを考慮したデータ量が適度に豊富である場合、分割または局所的な研究が有用である。 本研究では, 高精度な応答面設計のためのパラメータ空間のより効率的な次元削減を実現するために, 教師付きクラスタリング手法を用いて, アクティブ部分空間のシナジーを探索する, ローカルアクティブ部分空間 (LAS) と呼ばれる新しい手法を提案する。 また,局所活性部分空間情報を分類タスクに活用する手法を開発した。 この手法をパラメータ空間への前処理ステップ、あるいはベクトル出力の場合の出力空間として用いると、サロゲートモデリングの目的のために顕著な結果が得られる。

関連論文リスト

• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• Automatic Parameter Selection for Non-Redundant Clustering [11.68971888446462]
  高次元データセットは、しばしば異なる部分空間に複数の意味のあるクラスタリングを含む。 本稿では,サブスペース当たりのサブスペース数やクラスタ数を自動的に検出するフレームワークを提案する。 また,各部分空間の外れ値を検出するエンコーディング戦略も導入している。
  論文  参考訳（メタデータ） (2023-12-19T08:53:00Z)
• Parameter Efficient Fine-tuning via Cross Block Orchestration for Segment Anything Model [81.55141188169621]
  PEFTにクロスブロックオーケストレーション機構を組み、SAM(Segment Anything Model)の様々な下流シナリオへの適応を可能にする。 本稿では,超複素層から重みが生じる線形射影ヘッドを導入するブロック内拡張モジュールを提案する。 提案手法は,約1Kのパラメータのみを付加した新規シナリオにおいて,セグメンテーション性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-11-28T11:23:34Z)
• A Metaheuristic for Amortized Search in High-Dimensional Parameter Spaces [0.0]
  本稿では,特徴インフォームド変換から次元還元を実現するメタヒューリスティックを提案する。 DR-FFITは、高次元空間における勾配自由パラメータ探索を容易にする効率的なサンプリング戦略を実装している。 実験データから,DR-FFITは,確立したメタヒューリスティックスに対するランダム検索とシミュレート・アニーリングの性能を向上させることが示された。
  論文  参考訳（メタデータ） (2023-09-28T14:25:14Z)
• Efficient Large-scale Nonstationary Spatial Covariance Function Estimation Using Convolutional Neural Networks [3.5455896230714194]
  非定常データからサブリージョンを導出するためにConvNetsを使用します。 定常場に類似した振る舞いを示す部分領域を同定するために選択機構を用いる。 提案手法の性能を大規模に評価する。
  論文  参考訳（メタデータ） (2023-06-20T12:17:46Z)
• Extending regionalization algorithms to explore spatial process heterogeneity [5.158953116443068]
  そこで本稿では,空間状態記述のための2つの新しいアルゴリズムである2段Kモデルと2段Kモデルを提案する。 これらの結果から,3つのアルゴリズムが既存手法よりも優れている,あるいは同等の性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2022-06-19T15:09:23Z)
• Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
  本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。 我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。 ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
  論文  参考訳（メタデータ） (2022-02-10T06:23:56Z)
• ParK: Sound and Efficient Kernel Ridge Regression by Feature Space Partitions [34.576469570537995]
  本稿では,カーネルリッジ回帰のための大規模解法であるParKを紹介する。 提案手法では,分割とランダムなプロジェクションと繰り返し最適化を組み合わせることで,空間と時間の複雑さを低減できる。
  論文  参考訳（メタデータ） (2021-06-23T08:24:36Z)
• Fine-Grained Dynamic Head for Object Detection [68.70628757217939]
  本稿では,各インスタンスの異なるスケールからfpn特徴の画素レベルの組み合わせを条件付きで選択する,きめ細かい動的ヘッドを提案する。 実験は,いくつかの最先端検出ベンチマークにおける提案手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-12-07T08:16:32Z)
• Learnable Subspace Clustering [76.2352740039615]
  本研究では,大規模サブスペースクラスタリング問題を効率的に解くために,学習可能なサブスペースクラスタリングパラダイムを開発する。 鍵となる考え方は、高次元部分空間を下層の低次元部分空間に分割するパラメトリック関数を学ぶことである。 我々の知る限り、本論文は、サブスペースクラスタリング手法の中で、数百万のデータポイントを効率的にクラスタ化する最初の試みである。
  論文  参考訳（メタデータ） (2020-04-09T12:53:28Z)
• Supervised Hyperalignment for multi-subject fMRI data alignment [81.8694682249097]
  本稿では,MVP解析における機能的アライメントを改善するために,SHA(Supervised Hyperalignment)手法を提案する。 マルチオブジェクトデータセットの実験では、SHA法は最大19%の性能がマルチクラス問題に対して達成されている。
  論文  参考訳（メタデータ） (2020-01-09T09:17:49Z)

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。