論文の概要: A manifold learning approach for gesture identification from micro-Doppler radar measurements

• arxiv url: http://arxiv.org/abs/2110.01670v1
• Date: Mon, 4 Oct 2021 19:08:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-06 13:57:55.969416
• Title: A manifold learning approach for gesture identification from micro-Doppler radar measurements
• Title（参考訳）: マイクロドップラーレーダ計測によるジェスチャー識別のための多様体学習手法
• Authors: Eric Mason, Hrushikesh Mhaskar, Adam Guo
• Abstract要約: 我々は、その次元を除いて多様体に関する知識を一切必要としない多様体学習のためのカーネルベースの近似を提案する。 マイクロドップラーデータセットを用いて,提案手法の性能を実証する。
• 参考スコア（独自算出の注目度）: 1.4610038284393163
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A recent paper (Neural Networks, {\bf 132} (2020), 253-268) introduces a straightforward and simple kernel based approximation for manifold learning that does not require the knowledge of anything about the manifold, except for its dimension. In this paper, we examine the pointwise error in approximation using least squares optimization based on this kernel, in particular, how the error depends upon the data characteristics and deteriorates as one goes away from the training data. The theory is presented with an abstract localized kernel, which can utilize any prior knowledge about the data being located on an unknown sub-manifold of a known manifold. We demonstrate the performance of our approach using a publicly available micro-Doppler data set investigating the use of different pre-processing measures, kernels, and manifold dimension. Specifically, it is shown that the Gaussian kernel introduced in the above mentioned paper leads to a near-competitive performance to deep neural networks, and offers significant improvements in speed and memory requirements. Similarly, a kernel based on treating the feature space as a submanifold of the Grassman manifold outperforms conventional hand-crafted features. To demonstrate the fact that our methods are agnostic to the domain knowledge, we examine the classification problem in a simple video data set.
• Abstract（参考訳）: 最近の論文 (Neural Networks, {\bf 132} (2020), 253-268) では、その次元以外の何の知識も必要としない多様体学習のための単純で単純なカーネルベースの近似が紹介されている。 本稿では,このカーネルに基づく最小二乗最適化を用いて近似のポイントワイズ誤差を考察し,特に,学習データから外れた場合の誤差がデータ特性にどのように依存するかについて検討する。 この理論は抽象的局所化カーネルで示され、既知の多様体の未知の部分多様体上にあるデータに関する事前知識を利用することができる。 本研究では,異なる前処理方法,カーネル,多様体次元を用いたマイクロドップラーデータセットを用いて,提案手法の性能を実証する。 具体的には、上述の論文で導入されたガウスカーネルは、ディープニューラルネットワークにほぼ競合的な性能をもたらし、速度とメモリ要求を大幅に改善することを示した。 同様に、特徴空間をグラスマン多様体の部分多様体として扱うカーネルは、従来の手作りの特徴よりも優れている。 提案手法がドメイン知識に無依存であることを示すために,簡単なビデオデータセットで分類問題を検証した。

関連論文リスト

• Efficient Prior Calibration From Indirect Data [5.588334720483076]
  本稿では,データから先行モデルを学習すること,特にノイズ観測プロセスを通じて得られた間接データの多元的実現から先行モデルを学習することに関心がある。 フォワードモデルの効率的な残差ベースニューラル演算子近似を提案し,これをプッシュフォワードマップと同時学習できることを示した。
  論文  参考訳（メタデータ） (2024-05-28T08:34:41Z)
• Learning on manifolds without manifold learning [0.0]
  未知分布からランダムに描画されたデータに基づく関数近似は、機械学習において重要な問題である。 本稿では,未知多様体を部分多様体の周囲超球面として投影し,超球面上に特別に設計されたカーネルを用いてワンショット近似を構築する問題について考察する。
  論文  参考訳（メタデータ） (2024-02-20T03:27:53Z)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• Joint Embedding Self-Supervised Learning in the Kernel Regime [21.80241600638596]
  自己教師付き学習(SSL)は、データを分類するためのラベルにアクセスすることなく、データの有用な表現を生成する。 我々はこのフレームワークを拡張し,カーネルの機能空間に作用する線形写像によって埋め込みを構築するカーネル手法に基づくアルゴリズムを組み込む。 カーネルモデルを小さなデータセットで分析し、自己教師付き学習アルゴリズムの共通特徴を特定し、下流タスクにおける性能に関する理論的洞察を得る。
  論文  参考訳（メタデータ） (2022-09-29T15:53:19Z)
• The Manifold Hypothesis for Gradient-Based Explanations [55.01671263121624]
  勾配に基づく説明アルゴリズムは知覚的に整合した説明を提供する。 特徴属性がデータの接する空間と一致しているほど、知覚的に一致している傾向にあることを示す。 説明アルゴリズムは、その説明をデータ多様体と整合させるよう積極的に努力すべきである。
  論文  参考訳（メタデータ） (2022-06-15T08:49:24Z)
• On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
  本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。 分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2022-02-28T13:01:04Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• The Unreasonable Effectiveness of Patches in Deep Convolutional Kernels Methods [0.0]
  本稿では,畳み込みカーネル法の性能向上の鍵となる,データ依存型特徴抽出手法の重要性を示す。 この手法を挑戦的なImageNetデータセットにスケールアップし、そのような単純なアプローチが既存のすべての非学習表現メソッドを超えることを示した。
  論文  参考訳（メタデータ） (2021-01-19T09:30:58Z)
• Learning Manifold Implicitly via Explicit Heat-Kernel Learning [63.354671267760516]
  そこで,本研究では,熱カーネルを学習することで,多様体情報を暗黙的に取得する,暗黙的多様体学習の概念を提案する。 学習した熱カーネルは、データ生成のための深層生成モデル(DGM)やベイズ推論のためのスタイン変分勾配Descentなど、さまざまなカーネルベースの機械学習モデルに適用することができる。
  論文  参考訳（メタデータ） (2020-10-05T03:39:58Z)
• Manifold Learning via Manifold Deflation [105.7418091051558]
  次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。 多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。 本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。 実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
  論文  参考訳（メタデータ） (2020-07-07T10:04:28Z)

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。