Fugu-MT 論文翻訳(概要): Half-Space and Box Constraints as NUV Priors: First Results

論文の概要: Half-Space and Box Constraints as NUV Priors: First Results

arxiv url: http://arxiv.org/abs/2109.00036v1
Date: Tue, 31 Aug 2021 18:42:55 GMT
ステータス: 処理完了
システム内更新日: 2021-09-02 14:27:24.326393
Title: Half-Space and Box Constraints as NUV Priors: First Results
Title（参考訳）: NUVが優先するハーフスペースとボックス制約:最初の結果
Authors: Raphael Keusch, Hans-Andrea Loeliger
Abstract要約: 未知の分散(NUV)を持つ正規人は、多くの有用な先行を表現できる。最近、バイナリ(およびMレベル)のNUV表現が提案されている。
参考スコア（独自算出の注目度）: 13.960152426268769
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Normals with unknown variance (NUV) can represent many useful priors and blend well with Gaussian models and message passing algorithms. NUV representations of sparsifying priors have long been known, and NUV representations of binary (and M-level) priors have been proposed very recently. In this document, we propose NUV representations of half-space constraints and box constraints, which allows to add such constraints to any linear Gaussian model with any of the previously known NUV priors without affecting the computational tractability.
Abstract（参考訳）: 未知分散(nuv)を持つ正規化は、多くの有用な前処理を表し、ガウスモデルやメッセージパッシングアルゴリズムとうまく融合することができる。疎化前のNUV表現は古くから知られており、バイナリ(およびMレベル)のNUV表現はごく最近まで提案されている。本論文では, 半空間制約とボックス制約のNUV表現を提案し, 既知のNUVプリエントを持つ任意のリニアガウスモデルに対して, 計算的トラクタビリティに影響を与えることなくそのような制約を加えることができる。

関連論文リスト

Fast Semisupervised Unmixing Using Nonconvex Optimization [80.11512905623417]
半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。スパース・アンミキシングの代替手法の有効性を実証する。
論文参考訳（メタデータ） (2024-01-23T10:07:41Z)
Solving Linear Inverse Problems Provably via Posterior Sampling with Latent Diffusion Models [98.95988351420334]
本稿では,事前学習した潜在拡散モデルを利用した線形逆問題の解法を初めて提案する。線形モデル設定において,証明可能なサンプル回復を示すアルゴリズムを理論的に解析する。
論文参考訳（メタデータ） (2023-07-02T17:21:30Z)
Rethinking Initialization of the Sinkhorn Algorithm [36.72281550968301]
データ依存型初期化器は、暗黙の微分が用いられる限り、微分可能性に影響を与えない、劇的なスピードアップをもたらすことを示す。我々の手法は、1D、ガウス、GMM設定で知られている正確なOT解や近似OT解に対して閉形式に依存している。
論文参考訳（メタデータ） (2022-06-15T16:23:03Z)
Minimax Optimal Quantization of Linear Models: Information-Theoretic Limits and Efficient Algorithms [59.724977092582535]
測定から学習した線形モデルの定量化の問題を考える。この設定の下では、ミニマックスリスクに対する情報理論の下限を導出する。本稿では,2層ReLUニューラルネットワークに対して,提案手法と上界を拡張可能であることを示す。
論文参考訳（メタデータ） (2022-02-23T02:39:04Z)
Connecting Hamilton--Jacobi partial differential equations with maximum a posteriori and posterior mean estimators for some non-convex priors [0.0]
本章では、あるクラス非log-concave正規化を考え、その最小化に対する類似表現公式も得られることを示す。また、ガウスデータ忠実度を持つベイズ後平均推定器と、マイナスプラス代数技術のアナログを用いてある非対数先行値に対する同様の結果を提示する。
論文参考訳（メタデータ） (2021-04-22T19:00:37Z)
Matrix-wise $\ell_0$-constrained Sparse Nonnegative Least Squares [22.679160149512377]
多重右辺 (MNNLS) を持つ非負の最小二乗問題は、加法線形結合に依存するモデルに現れる。本稿では,行列幅制約を用いたスパースMNNLSの新しい定式化を提案する。提案した2段階の手法は,カラムワイドおよびグローバルの両方に適用された最先端のスパース符号よりも精度の高い結果が得られることを示す。
論文参考訳（メタデータ） (2020-11-22T17:21:16Z)
A Contrastive Learning Approach for Training Variational Autoencoder Priors [137.62674958536712]
変分オートエンコーダ(VAE)は、多くの領域で応用される強力な可能性に基づく生成モデルの一つである。 VAEsが生成性に乏しいことの1つの説明は、事前の分布が集合の近似的な後部と一致しないという、事前の穴の問題である。本研究では, 基底分布の積と再重み付け係数によって定義されるエネルギーベースの事前定義を行い, 基底を集合体後部へ近づけるようにした。
論文参考訳（メタデータ） (2020-10-06T17:59:02Z)
Effective Dimension Adaptive Sketching Methods for Faster Regularized Least-Squares Optimization [56.05635751529922]
スケッチに基づくL2正規化最小二乗問題の解法を提案する。我々は、最も人気のあるランダム埋め込みの2つ、すなわちガウス埋め込みとサブサンプリングランダム化アダマール変換(SRHT)を考える。
論文参考訳（メタデータ） (2020-06-10T15:00:09Z)
Convex Representation Learning for Generalized Invariance in Semi-Inner-Product Space [32.442549424823355]
本研究では, 半ノルムにおける多種多様な一般化表現のアルゴリズムを開発し, 先頭の表現子を定式化し, 境界を定式化する。これにより、正確な予測とともに、我々の実験で確認されているように、表現を効率的かつ効果的に学習することができる。
論文参考訳（メタデータ） (2020-04-25T18:54:37Z)
Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文参考訳（メタデータ） (2020-02-21T17:45:32Z)
Variational Autoencoders with Riemannian Brownian Motion Priors [4.8461049669050915]
変分オートエンコーダ(VAEs)は、一般にユークリッドであると仮定される低次元の潜在空間における与えられたデータを表す。最近の研究は、この前はモデルキャパシティに有害な影響があり、性能が劣ることを示している。本稿では、この前の未知の正規化因子に依存しない効率的な推論手法を提案する。
論文参考訳（メタデータ） (2020-02-12T20:35:21Z)

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。