論文の概要: Data-driven deep density estimation
- arxiv url: http://arxiv.org/abs/2107.11085v1
- Date: Fri, 23 Jul 2021 08:53:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-26 19:46:48.959453
- Title: Data-driven deep density estimation
- Title（参考訳）: データ駆動深部密度推定
- Authors: Patrik Puchert, Pedro Hermosilla, Tobias Ritschel, Timo Ropinski
- Abstract要約: 密度推定は多くのデータ解析タスクにおいて重要な役割を担い、離散サンプルから連続確率密度関数(PDF)を推定する。
我々は、PDFを正確かつ効率的に推定するために、学習したデータ駆動深度推定(DDE)を導入する。
- 参考スコア（独自算出の注目度）: 23.46612653627991
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Density estimation plays a crucial role in many data analysis tasks, as it
infers a continuous probability density function (PDF) from discrete samples.
Thus, it is used in tasks as diverse as analyzing population data, spatial
locations in 2D sensor readings, or reconstructing scenes from 3D scans. In
this paper, we introduce a learned, data-driven deep density estimation (DDE)
to infer PDFs in an accurate and efficient manner, while being independent of
domain dimensionality or sample size. Furthermore, we do not require access to
the original PDF during estimation, neither in parametric form, nor as priors,
or in the form of many samples. This is enabled by training an unstructured
convolutional neural network on an infinite stream of synthetic PDFs, as
unbound amounts of synthetic training data generalize better across a deck of
natural PDFs than any natural finite training data will do. Thus, we hope that
our publicly available DDE method will be beneficial in many areas of data
analysis, where continuous models are to be estimated from discrete
observations.
- Abstract（参考訳）: 密度推定は多くのデータ解析タスクにおいて重要な役割を担い、離散サンプルから連続確率密度関数(PDF)を推定する。
したがって、人口データの解析や2dセンサーによる読み出しの空間的位置、あるいは3dスキャンからシーンを再構築するなど、様々なタスクで使用される。
本稿では,領域次元やサンプルサイズに依存せず,PDFを高精度かつ効率的に推定するための,学習されたデータ駆動深度推定(DDE)を提案する。
さらに、推定中に元のPDFにアクセスする必要はなく、パラメトリック形式でも、事前形式でも、多くのサンプルの形でもありません。
これは、無限の合成PDFストリーム上の非構造化畳み込みニューラルネットワークをトレーニングすることで実現される。
このように、我々の公開DDE法は、離散的な観測から連続的なモデルを推定するデータ分析の多くの分野において有益であることを期待している。
関連論文リスト
- Neural Localizer Fields for Continuous 3D Human Pose and Shape Estimation [32.30055363306321]
本研究では、異なる人間のポーズや形状に関連したタスクやデータセットをシームレスに統一するパラダイムを提案する。
私たちの定式化は、トレーニングとテスト時間の両方で、人間の体積の任意の点を問う能力に重点を置いています。
メッシュや2D/3Dスケルトン,密度の高いポーズなど,さまざまな注釈付きデータソースを,変換することなく自然に利用することが可能です。
論文 参考訳（メタデータ） (2024-07-10T10:44:18Z) - Consistent3D: Towards Consistent High-Fidelity Text-to-3D Generation with Deterministic Sampling Prior [87.55592645191122]
スコア蒸留サンプリング(SDS)とその変種は、テキスト・ツー・3D世代の発展を大幅に加速させたが、幾何崩壊やテクスチャの低下に弱い。
テキストから3D生成に先立ってODE決定論的サンプリングを探索する新しい「一貫性3D」手法を提案する。
実験により,高忠実で多様な3Dオブジェクトと大規模シーンの生成にConsistent3Dの有効性が示された。
論文 参考訳（メタデータ） (2024-01-17T08:32:07Z) - 3D Adversarial Augmentations for Robust Out-of-Domain Predictions [115.74319739738571]
ドメイン外データへの一般化の改善に注力する。
対象を逆向きに変形させるベクトルの集合を学習する。
本研究では,学習したサンプル非依存ベクトルをモデルトレーニング時に利用可能なオブジェクトに適用することにより,対数拡大を行う。
論文 参考訳（メタデータ） (2023-08-29T17:58:55Z) - Smooth densities and generative modeling with unsupervised random
forests [1.433758865948252]
密度推定器の重要な応用は合成データ生成である。
パラメータ制約を伴わない任意の次元における滑らかな密度を推定するための,教師なしランダム森林に基づく新しい手法を提案する。
提案手法の整合性を証明し,既存の木質密度推定器に対する利点を実証する。
論文 参考訳（メタデータ） (2022-05-19T09:50:25Z) - MESS: Manifold Embedding Motivated Super Sampling [0.0]
本研究では,データ内の観測可能な多様体の下の近似埋め込み関数に忠実な仮想データポイントを生成するフレームワークを提案する。
データセットの本質的な次元性を高めるために、要求されるデータ密度は、非常に大きなデータセットの必要性をもたらす。
論文 参考訳（メタデータ） (2021-07-14T09:07:54Z) - A Kernel Framework to Quantify a Model's Local Predictive Uncertainty
under Data Distributional Shifts [21.591460685054546]
訓練されたニューラルネットワークの内部層出力は、そのマッピング機能と入力データ分布の両方に関連するすべての情報を含む。
生予測空間のPDFを明示的に推定する訓練ニューラルネットワークの予測不確実性定量化のためのフレームワークを提案する。
カーネルフレームワークは、モデル予測エラーを検出する能力に基づいて、はるかに精度の高いモデル不確実性推定を提供する。
論文 参考訳（メタデータ） (2021-03-02T00:31:53Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳（メタデータ） (2020-09-01T15:08:23Z) - Variable Skipping for Autoregressive Range Density Estimation [84.60428050170687]
深部自己回帰モデルを用いた距離密度推定を高速化する手法である可変スキップについて述べる。
可変スキップは、10-100$timesの効率向上をもたらすことを示す。
論文 参考訳（メタデータ） (2020-07-10T19:01:40Z) - Cascaded deep monocular 3D human pose estimation with evolutionary
training data [76.3478675752847]
深層表現学習は単眼の3次元ポーズ推定において顕著な精度を達成した。
本稿では,大量のトレーニングデータに対してスケーラブルな新しいデータ拡張手法を提案する。
本手法は,先行知識に触発された階層的人体表現と合成に基づいて,未知の3次元人体骨格を合成する。
論文 参考訳（メタデータ） (2020-06-14T03:09:52Z) - TraDE: Transformers for Density Estimation [101.20137732920718]
TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。
本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
論文 参考訳（メタデータ） (2020-04-06T07:32:51Z)
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。