論文の概要: Stable training of autoencoders for hyperspectral unmixing
- arxiv url: http://arxiv.org/abs/2109.13748v1
- Date: Tue, 28 Sep 2021 14:07:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-29 14:50:04.442196
- Title: Stable training of autoencoders for hyperspectral unmixing
- Title（参考訳）: ハイパースペクトルアンミキシングのためのオートエンコーダの安定トレーニング
- Authors: Kamil Ksi\k{a}\.zek, Przemys{\l}aw G{\l}omb, Micha{\l} Romaszewski,
Micha{\l} Cholewa and Bartosz Grabowski
- Abstract要約: アンミキシングのためのオートエンコーダのトレーニングは重み付け初期化に大きく依存していることを示す。
いくつかの重みのセットは縮退または低パフォーマンスソリューションをもたらし、期待されるパフォーマンスに負のバイアスをもたらす。
本研究では, オートエンコーダの安定性, 初期重みに対する再構成誤差の依存性の検証, オートエンコーダパラメータの最適化に要する条件の探索, 実験結果について述べる。
- 参考スコア（独自算出の注目度）: 2.099922236065961
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Neural networks, autoencoders in particular, are one of the most promising
solutions for unmixing hyperspectral data, i.e. reconstructing the spectra of
observed substances (endmembers) and their relative mixing fractions
(abundances). Unmixing is needed for effective hyperspectral analysis and
classification. However, as we show in this paper, the training of autoencoders
for unmixing is highly dependent on weights initialisation. Some sets of
weights lead to degenerate or low performance solutions, introducing negative
bias in expected performance. In this work we present the results of
experiments investigating autoencoders' stability, verifying the dependence of
reconstruction error on initial weights and exploring conditions needed for
successful optimisation of autoencoder parameters.
- Abstract（参考訳）: ニューラルネットワーク、特にオートエンコーダは、ハイパースペクトルデータ、すなわち観測された物質(エンドメンバー)とその相対的混合分数(冗長度)のスペクトルを再構成する最も有望な解の1つである。
効果的なハイパースペクトル分析と分類にはアンミキシングが必要である。
しかし,本論文で示すように,アンミキシングのためのオートエンコーダのトレーニングは重み付け初期化に大きく依存する。
いくつかの重みのセットは縮退または低パフォーマンスソリューションをもたらし、期待されるパフォーマンスに負のバイアスをもたらす。
本研究では, オートエンコーダの安定性, 初期重みに対する再構成誤差の依存性の検証, オートエンコーダパラメータの最適化に要する条件の探索, 実験結果について述べる。
関連論文リスト
- Error Feedback under $(L_0,L_1)$-Smoothness: Normalization and Momentum [56.37522020675243]
機械学習の幅広い問題にまたがる正規化誤差フィードバックアルゴリズムに対する収束の最初の証明を提供する。
提案手法では,許容可能なステップサイズが大きくなったため,新しい正規化エラーフィードバックアルゴリズムは,各種タスクにおける非正規化エラーよりも優れていた。
論文 参考訳（メタデータ） (2024-10-22T10:19:27Z) - PiRD: Physics-informed Residual Diffusion for Flow Field Reconstruction [5.06136344261226]
データ忠実度向上のためのCNNベースの手法は、トレーニング期間中の低忠実度データパターンと分布に依存している。
提案したモデルである物理インフォームド残差拡散(Residual Diffusion)は、標準の低忠実度入力からデータの品質を高める能力を示す。
実験結果から, 2次元乱流に対して, 再学習を必要とせず, 高品質な流れを効果的に再現できることが示唆された。
論文 参考訳（メタデータ） (2024-04-12T11:45:51Z) - Hyperspectral unmixing for Raman spectroscopy via physics-constrained
autoencoders [0.565395466029518]
オートエンコーダニューラルネットワークを用いたハイパースペクトルアンミックスアルゴリズムを開発した。
その結果, アンミックス方式に比べて精度, 堅牢性, 効率性が向上した。
論文 参考訳（メタデータ） (2024-03-07T14:27:08Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳（メタデータ） (2023-04-19T13:45:28Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z) - Generalization of Neural Combinatorial Solvers Through the Lens of
Adversarial Robustness [68.97830259849086]
ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。
本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。
他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。
驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
論文 参考訳（メタデータ） (2021-10-21T07:28:11Z) - Quantized Proximal Averaging Network for Analysis Sparse Coding [23.080395291046408]
反復アルゴリズムをトレーニング可能なネットワークに展開し,量子化前にスパーシティの学習を容易にする。
圧縮画像回復と磁気共鳴画像再構成への応用を実証する。
論文 参考訳（メタデータ） (2021-05-13T12:05:35Z) - Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。
我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文 参考訳（メタデータ） (2021-02-23T20:59:30Z) - Spectral Unmixing With Multinomial Mixture Kernel and Wasserstein
Generative Adversarial Loss [4.56877715768796]
本研究では1次元畳み込みカーネルとスペクトル不確実性を用いたスペクトルアンミックスのための新しいフレームワークを提案する。
高レベルの表現はデータから計算され、さらに多項混合モデルでモデル化される。
実データと合成データの両方で実験を行う。
論文 参考訳（メタデータ） (2020-12-12T16:49:01Z) - Simulation-Assisted Decorrelation for Resonant Anomaly Detection [1.5675763601034223]
異常検出に対する弱い、教師なしの機械学習アプローチが増えている。
例の1つは共鳴新しい物理学の探索であり、そこではバンプハントを不変質量スペクトルで行うことができる。
学習に最小限の原型シミュレーションを組み込むことにより,この問題に対する2つの解決策を探求する。
論文 参考訳（メタデータ） (2020-09-04T14:02:15Z) - Multiplicative noise and heavy tails in stochastic optimization [62.993432503309485]
経験的最適化は現代の機械学習の中心であるが、その成功における役割はまだ不明である。
分散による離散乗法雑音のパラメータによく現れることを示す。
最新のステップサイズやデータを含む重要な要素について、詳細な分析を行い、いずれも最先端のニューラルネットワークモデルで同様の結果を示す。
論文 参考訳（メタデータ） (2020-06-11T09:58:01Z)
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。