論文の概要: Combinations of Adaptive Filters

• arxiv url: http://arxiv.org/abs/2112.12245v1
• Date: Wed, 22 Dec 2021 22:21:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-24 16:23:00.809393
• Title: Combinations of Adaptive Filters
• Title（参考訳）: 適応フィルタの組合せ
• Authors: Jer\'onimo Arenas-Garc\'ia and Luis A. Azpicueta-Ruiz and Magno T.M. Silva and Vitor H. Nascimento and Ali H. Sayed
• Abstract要約: 適応フィルタの組み合わせは、分割と征服の原理を利用する。 特に、計算学習分野において、複数の学習アルゴリズムの出力を組み合わせるという課題が研究されている。
• 参考スコア（独自算出の注目度）: 38.0505909175152
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adaptive filters are at the core of many signal processing applications, ranging from acoustic noise supression to echo cancelation, array beamforming, channel equalization, to more recent sensor network applications in surveillance, target localization, and tracking. A trending approach in this direction is to recur to in-network distributed processing in which individual nodes implement adaptation rules and diffuse their estimation to the network. When the a priori knowledge about the filtering scenario is limited or imprecise, selecting the most adequate filter structure and adjusting its parameters becomes a challenging task, and erroneous choices can lead to inadequate performance. To address this difficulty, one useful approach is to rely on combinations of adaptive structures. The combination of adaptive filters exploits to some extent the same divide and conquer principle that has also been successfully exploited by the machine-learning community (e.g., in bagging or boosting). In particular, the problem of combining the outputs of several learning algorithms (mixture of experts) has been studied in the computational learning field under a different perspective: rather than studying the expected performance of the mixture, deterministic bounds are derived that apply to individual sequences and, therefore, reflect worst-case scenarios. These bounds require assumptions different from the ones typically used in adaptive filtering, which is the emphasis of this overview article. We review the key ideas and principles behind these combination schemes, with emphasis on design rules. We also illustrate their performance with a variety of examples.
• Abstract（参考訳）: アダプティブフィルタは、音響ノイズ抑圧、エコーキャンセラレーション、アレイビームフォーミング、チャネル等化、監視、ターゲットローカライゼーション、トラッキングといった、多くの信号処理アプリケーションの中核にある。 この方向のトレンドのアプローチは、個々のノードが適応ルールを実装し、その推定をネットワークに拡散するネットワーク内分散処理に再帰することである。 フィルタリングシナリオに関する事前知識が限定的あるいは不正確である場合には、最も適切なフィルタ構造を選択し、パラメータを調整することが困難な課題となり、誤った選択が性能の低下につながる可能性がある。 この困難に対処するためには、適応構造の組み合わせに依存する方法がある。 アダプティブフィルタの組み合わせは、機械学習コミュニティ(例えば、バッグやブースティングにおいて)がうまく活用したのと同じ分割と征服原理をある程度利用している。 特に、いくつかの学習アルゴリズム(専門家の混合)の出力を組み合わせる問題は、異なる視点で計算学習分野において研究されており、混合の期待性能を研究するのではなく、決定論的境界を導出し、個々のシーケンスに適用し、最悪のシナリオを反映している。 これらの境界は、一般的に適応フィルタリングで使用されるものと異なる仮定を必要とする。 これらの組み合わせスキームの背後にある重要なアイデアと原則を、設計ルールに重点を置いてレビューする。 また、そのパフォーマンスをさまざまな例で説明します。

関連論文リスト

• Combining Explicit and Implicit Regularization for Efficient Learning in Deep Networks [3.04585143845864]
  深い線形ネットワークでは、勾配勾配は行列の完備化/ファクトリゼーションタスクの低ランク解に対して暗黙的に正規化される。 適応勾配の一般化にのみ作用するこの暗黙バイアスを反映した明示的なペナルティを提案する。 この組み合わせにより、単層ネットワークは、深い線形ネットワークに匹敵する縮退誤差で低ランク近似を達成できる。
  論文  参考訳（メタデータ） (2023-06-01T04:47:17Z)
• Understanding the Covariance Structure of Convolutional Filters [86.0964031294896]
  最近では、ConvMixerやConvNeXtのようなViTにインスパイアされた畳み込みネットワークは、注目すべき構造を持つ大カーネル深度畳み込みを使用している。 まず,このような学習フィルタの共分散行列が高度に構造化されていることを観測し,より大規模なネットワークを効果的に初期化するために,小さなネットワークから計算した共分散が用いられることを発見した。
  論文  参考訳（メタデータ） (2022-10-07T15:59:13Z)
• Direct design of biquad filter cascades with deep learning by sampling random polynomials [5.1118282767275005]
  本研究では, 何百万ものランダムフィルタで学習したニューラルネットワークを用いて, フィルタ係数空間に対する目標規模の応答から直接写像を学習する。 提案手法は,所望の応答に対するフィルタ係数の高速かつ高精度な推定を可能にする。 修正Yule-Walkerや勾配降下などの既存手法と比較し,IIRNetが平均的に高速かつ高精度であることを示す。
  論文  参考訳（メタデータ） (2021-10-07T17:58:08Z)
• Unsharp Mask Guided Filtering [53.14430987860308]
  本論文の目的は,フィルタ中の構造伝達の重要性を強調した画像フィルタリングである。 アンシャープマスキングにインスパイアされたガイドフィルタの新しい簡易な定式化を提案する。 我々の定式化は低域フィルタに先立ってフィルタを楽しみ、単一の係数を推定することで明示的な構造伝達を可能にする。
  論文  参考訳（メタデータ） (2021-06-02T19:15:34Z)
• Adaptive Sampling for Minimax Fair Classification [40.936345085421955]
  最適化の原理に基づく適応型サンプリングアルゴリズムを提案し,その性能に関する理論的境界を導出する。 特定の問題のクラスに対してアルゴリズム独立なローバウンドを導出することにより,適応スキームによる性能は一般に改善できないことを示した。
  論文  参考訳（メタデータ） (2021-03-01T04:58:27Z)
• Deep Shells: Unsupervised Shape Correspondence with Optimal Transport [52.646396621449]
  本稿では,3次元形状対応のための教師なし学習手法を提案する。 提案手法は,複数のデータセット上での最先端技術よりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-10-28T22:24:07Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)
• Rethinking Differentiable Search for Mixed-Precision Neural Networks [83.55785779504868]
  低ビット幅に量子化された重みとアクティベーションを持つ低精度ネットワークは、エッジデバイスでの推論を加速するために広く利用されている。 現在の解は均一であり、全てのフィルタに同じビット幅を使用する。 これは異なるフィルタの異なる感度を考慮せず、最適以下である。 混合精度ネットワークは、ビット幅を個々のフィルタ要求に調整することでこの問題に対処する。
  論文  参考訳（メタデータ） (2020-04-13T07:02:23Z)

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。