論文の概要: Multiple Hypothesis Testing Framework for Spatial Signals

• arxiv url: http://arxiv.org/abs/2108.12314v1
• Date: Fri, 27 Aug 2021 14:48:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-30 14:00:42.598269
• Title: Multiple Hypothesis Testing Framework for Spatial Signals
• Title（参考訳）: 空間信号のための多重仮説テストフレームワーク
• Authors: Martin G\"olz and Abdelhak M. Zoubir and Visa Koivunen
• Abstract要約: 我々は,複数の仮説テストから派生した一般フレームワークを開発し,そのような領域を同定する。 予め特定されたレベルで偽発見率を制御しながら、異なる仮説に関連する空間格子点を同定する。 本稿では,モーメントのスペクトル法に基づいて局所的な偽発見率を推定する新しいデータ駆動手法を提案する。
• 参考スコア（独自算出の注目度）: 42.95566109115774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of identifying regions of spatially interesting, different or adversarial behavior is inherent to many practical applications involving distributed multisensor systems. In this work, we develop a general framework stemming from multiple hypothesis testing to identify such regions. A discrete spatial grid is assumed for the monitored environment. The spatial grid points associated with different hypotheses are identified while controlling the false discovery rate at a pre-specified level. Measurements are acquired using a large-scale sensor network. We propose a novel, data-driven method to estimate local false discovery rates based on the spectral method of moments. Our method is agnostic to specific spatial propagation models of the underlying physical phenomenon. It relies on a broadly applicable density model for local summary statistics. In between sensors, locations are assigned to regions associated with different hypotheses based on interpolated local false discovery rates. The benefits of our method are illustrated by applications to spatially propagating radio waves.
• Abstract（参考訳）: 空間的に興味深い、異なる、または逆向きの行動の領域を特定する問題は、分散マルチセンサーシステムを含む多くの実用的な応用に固有のものである。 本研究では,複数の仮説テストから派生した一般フレームワークを開発し,そのような領域を同定する。 監視環境に対して離散空間格子を仮定する。 予め特定されたレベルで偽発見率を制御しながら、異なる仮説に関連する空間格子点を同定する。 測定は大規模センサネットワークを用いて行われる。 本稿では,モーメントのスペクトル法に基づいて局所的な偽発見率を推定する新しいデータ駆動手法を提案する。 本手法は基礎となる物理現象の特定の空間伝播モデルと無関係である。 これは局所的な要約統計に広く適用可能な密度モデルに依存している。 センサー間では、位置は補間された局所的な偽発見率に基づいて異なる仮説に関連する領域に割り当てられる。 本手法の利点は,電波の空間伝播への応用によって示される。

関連論文リスト

• DiffuBox: Refining 3D Object Detection with Point Diffusion [74.01759893280774]
  本研究では,3次元物体の検出と局所化を確保するために,新しい拡散型ボックス精細化手法を提案する。 提案手法は,様々なドメイン適応設定下で評価し,その結果,異なるデータセット間での大幅な改善が示された。
  論文  参考訳（メタデータ） (2024-05-25T03:14:55Z)
• Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
  数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。 本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。 提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
  論文  参考訳（メタデータ） (2024-05-22T22:22:25Z)
• WiFi Based Distance Estimation Using Supervised Machine Learning [0.0]
  近年、WiFiは人やデバイスを屋内で見つけるための主要な情報源となっている。 所定のWiFi指紋間の空間距離を測定することは、信号距離関数の選択によって大きく影響を受ける。 本研究では,指紋間の地理空間距離を推定するための機械学習の利用を提案する。
  論文  参考訳（メタデータ） (2022-08-15T13:48:46Z)
• Robust Calibration with Multi-domain Temperature Scaling [86.07299013396059]
  我々は,複数の領域からのデータを活用することで,分散シフトを処理するシステムキャリブレーションモデルを開発した。 提案手法は,分布シフト時のキャリブレーションを改善するために,領域内のロバスト性を利用する。
  論文  参考訳（メタデータ） (2022-06-06T17:32:12Z)
• 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)
• Local Relation Learning for Face Forgery Detection [73.73130683091154]
  局所的関係学習による顔の偽造検出の新たな視点を提案する。 具体的には,局所的な特徴間の類似度を測定するMPSM(Multi-scale Patch similarity Module)を提案する。 また、より包括的な局所特徴表現のために、RGBおよび周波数領域の情報を融合するRGB-Frequency Attention Module (RFAM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T10:44:32Z)
• Uncertainty Aware Deep Neural Network for Multistatic Localization with Application to Ultrasonic Structural Health Monitoring [0.0]
  本稿では、ロバストなローカライゼーションモデルを学ぶために、不確実性を考慮したディープ・ニューラル・ディストリビューション・ネットワーク・フレームワークを使用する。 環境不確実性の増加に伴い,予測不確実性はスケールし,局所化精度を評価する統計的に有意な指標となることを示す。
  論文  参考訳（メタデータ） (2020-07-14T04:53:06Z)
• On Cokriging, Neural Networks, and Spatial Blind Source Separation for Multivariate Spatial Prediction [3.416170716497814]
  ブラインドソース分離は空間予測のための前処理ツールである。 本稿では,空間的ブラインド音源分離を空間的予測のための前処理ツールとして利用することを検討する。 我々は、大規模なシミュレーション研究と地球化学データセットにおいて、Cokrigingとニューラルネットワークの予測と比較した。
  論文  参考訳（メタデータ） (2020-07-01T10:59:45Z)
• Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
  本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。 粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。 粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
  論文  参考訳（メタデータ） (2020-03-23T13:40:06Z)
• A flexible outlier detector based on a topology given by graph communities [0.0]
  異常検出は機械学習手法と統計的予測モデルの最適性能に不可欠である。 トポロジーは、特徴空間内の互いに隣接する近傍を成す重み付きグラフのコミュニティを用いて計算される。 当社のアプローチは、ローカル戦略とグローバル戦略の両方において、複数のビュー設定と単一ビュー設定で総合的に優れています。
  論文  参考訳（メタデータ） (2020-02-18T18:40:31Z)

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。