論文の概要: A Trainable Approach to Zero-delay Smoothing Spline Interpolation
- arxiv url: http://arxiv.org/abs/2203.03776v3
- Date: Sat, 18 Mar 2023 21:36:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 05:05:08.101293
- Title: A Trainable Approach to Zero-delay Smoothing Spline Interpolation
- Title（参考訳）: ゼロディレイ平滑化スプライン補間への学習可能なアプローチ
- Authors: Emilio Ruiz-Moreno, Luis Miguel L\'opez-Ramos, Baltasar
Beferull-Lozano
- Abstract要約: スムーズな信号は、データサンプルが利用可能になり、後続のデータにアクセスできなくなると、順次再構成されなければならない。
ここで各ステップは、コストメトリックを最小化しながら、スムーズな信号再構成を保証するピースを出力する。
本稿では,この累積コストを平均でさらに削減するための新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 8.078491757252692
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The task of reconstructing smooth signals from streamed data in the form of
signal samples arises in various applications. This work addresses such a task
subject to a zero-delay response; that is, the smooth signal must be
reconstructed sequentially as soon as a data sample is available and without
having access to subsequent data. State-of-the-art approaches solve this
problem by interpolating consecutive data samples using splines. Here, each
interpolation step yields a piece that ensures a smooth signal reconstruction
while minimizing a cost metric, typically a weighted sum between the squared
residual and a derivative-based measure of smoothness. As a result, a
zero-delay interpolation is achieved in exchange for an almost certainly higher
cumulative cost as compared to interpolating all data samples together. This
paper presents a novel approach to further reduce this cumulative cost on
average. First, we formulate a zero-delay smoothing spline interpolation
problem from a sequential decision-making perspective, allowing us to model the
future impact of each interpolated piece on the average cumulative cost. Then,
an interpolation method is proposed to exploit the temporal dependencies
between the streamed data samples. Our method is assisted by a recurrent neural
network and accordingly trained to reduce the accumulated cost on average over
a set of example data samples collected from the same signal source generating
the signal to be reconstructed. Finally, we present extensive experimental
results for synthetic and real data showing how our approach outperforms the
abovementioned state-of-the-art.
- Abstract（参考訳）: ストリームデータから信号サンプルの形でスムーズな信号を再構成する作業は,様々な応用に現れる。
この作業は、ゼロ遅延応答の対象となるタスクに対処する。つまり、スムーズな信号は、データサンプルが利用可能で、その後のデータにアクセスできないと、順次再構成されなければならない。
最先端のアプローチはスプラインを用いて連続データサンプルを補間することでこの問題を解決する。
ここで、各補間ステップは、コストメトリック(典型的には正方形残差と微分に基づく滑らか度測定の間の重み付け和)を最小化しながら、滑らかな信号再構成を保証するピースを生成する。
その結果、すべてのデータサンプルの補間と比較して、ほぼ確実に累積コストの増大と引き換えにゼロディレイ補間が達成される。
本稿では,この累積コストを平均でさらに削減するための新しい手法を提案する。
まず, 逐次的意思決定の観点からゼロ遅延平滑化スプライン補間問題を定式化し, 平均累積コストに対する各補間片の将来の影響をモデル化する。
次に,ストリームデータサンプル間の時間依存性を利用した補間手法を提案する。
本手法はリカレントニューラルネットワークによって支援され,再建対象の信号を生成する同一信号源から収集したサンプルデータに対して,平均して蓄積したコストを低減させる訓練を行う。
最後に, 合成および実データに対する実験結果について, 上記の最先端技術よりも優れた結果が得られた。
関連論文リスト
- A Sample Efficient Alternating Minimization-based Algorithm For Robust Phase Retrieval [56.67706781191521]
そこで本研究では,未知の信号の復元を課題とする,ロバストな位相探索問題を提案する。
提案するオラクルは、単純な勾配ステップと外れ値を用いて、計算学的スペクトル降下を回避している。
論文 参考訳（メタデータ） (2024-09-07T06:37:23Z) - Consistent Signal Reconstruction from Streaming Multivariate Time Series [5.448070998907116]
我々は,ストリーミング時系列データから一貫した信号再構成の概念を初めて定式化する。
提案手法は, 類似しているが非一貫性の再構成と比較して, サンプリングレートで良好な誤差速度の減衰を実現する。
論文 参考訳（メタデータ） (2023-08-23T22:50:52Z) - Gradient Coding with Iterative Block Leverage Score Sampling [42.21200677508463]
変換したデータのサンプリングサブセットに対応するために,$ell$-subspace埋め込みのためのレバレッジスコアサンプリングスケッチを一般化する。
これを用いて、一階法に対する近似符号付き計算手法を導出する。
論文 参考訳（メタデータ） (2023-08-06T12:22:12Z) - Samplet basis pursuit: Multiresolution scattered data approximation with sparsity constraints [0.0]
我々は,$ell_1$-regularization を用いたサンプルト座標における分散データ近似について検討する。
Riesz isometry を用いて、標本を再現されたカーネルヒルベルト空間に埋め込む。
組込みサンプルベースに対してスパースな信号のクラスは、カーネル翻訳の基盤に関してスパースな信号のクラスよりもかなり大きいと論じる。
論文 参考訳（メタデータ） (2023-06-16T21:20:49Z) - Boosting Fast and High-Quality Speech Synthesis with Linear Diffusion [85.54515118077825]
本稿では, 常微分方程式に基づく線形拡散モデル(LinDiff)を提案する。
計算複雑性を低減するため、LinDiffでは、入力信号を小さなパッチに分割するパッチベースの処理アプローチを採用している。
我々のモデルは、より高速な合成速度で自己回帰モデルに匹敵する品質の音声を合成することができる。
論文 参考訳（メタデータ） (2023-06-09T07:02:43Z) - Refining Amortized Posterior Approximations using Gradient-Based Summary
Statistics [0.9176056742068814]
逆問題の文脈における後部分布の補正近似を改善するための反復的枠組みを提案する。
そこで我々は,本手法をスタイリング問題に適用して制御条件で検証し,改良された後部近似を各繰り返しで観察する。
論文 参考訳（メタデータ） (2023-05-15T15:47:19Z) - Multisample Flow Matching: Straightening Flows with Minibatch Couplings [38.82598694134521]
連続時間生成モデルを訓練するためのシミュレーション不要な手法は、ノイズ分布と個々のデータサンプルの間の確率経路を構築する。
データとノイズサンプル間の非自明な結合を利用するより一般的なフレームワークであるMultisample Flow Matchingを提案する。
提案手法は,イメージネットデータセットのサンプル一貫性を向上し,低コストなサンプル生成に繋がることを示す。
論文 参考訳（メタデータ） (2023-04-28T11:33:08Z) - Towards Sample-Optimal Compressive Phase Retrieval with Sparse and
Generative Priors [59.33977545294148]
O(k log L)$サンプルは振幅に基づく経験損失関数を最小化する任意のベクトルに信号が近いことを保証するのに十分であることを示す。
この結果はスパース位相検索に適応し、基底信号が$s$-sparseおよび$n$-dimensionalである場合、$O(s log n)$サンプルは同様の保証に十分であることを示す。
論文 参考訳（メタデータ） (2021-06-29T12:49:54Z) - Evaluating representations by the complexity of learning low-loss
predictors [55.94170724668857]
下流タスクの解決に使用されるデータの表現を評価することの問題点を考察する。
本稿では,関心のあるタスクにおける低損失を実現する表現の上に,予測器を学習する複雑性によって表現の質を測定することを提案する。
論文 参考訳（メタデータ） (2020-09-15T22:06:58Z) - Non-Adaptive Adaptive Sampling on Turnstile Streams [57.619901304728366]
カラムサブセット選択、部分空間近似、射影クラスタリング、および空間サブリニアを$n$で使用するターンタイルストリームのボリュームに対する最初の相対エラーアルゴリズムを提供する。
我々の適応的なサンプリング手法は、様々なデータ要約問題に多くの応用をもたらしており、これは最先端を改善するか、より緩和された行列列モデルで以前に研究されただけである。
論文 参考訳（メタデータ） (2020-04-23T05:00:21Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳（メタデータ） (2020-03-19T15:36:31Z)
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。