論文の概要: Unsupervised Learning Discriminative MIG Detectors in Nonhomogeneous
Clutter
- arxiv url: http://arxiv.org/abs/2204.11278v1
- Date: Sun, 24 Apr 2022 13:50:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-27 01:56:25.901571
- Title: Unsupervised Learning Discriminative MIG Detectors in Nonhomogeneous
Clutter
- Title(参考訳): 非均質クラッタにおける教師なし学習判別MIG検出器
- Authors: Xiaoqiang Hua, Yusuke Ono, Linyu Peng, Yuting Xu
- Abstract要約: 主成分分析(PCA)は、高次元データをデータ分散を最大化する低次元空間にマッピングする。
PCAの原理にインスパイアされた新しいタイプの学習識別行列情報幾何(MIG)検出器を開発した。
3つの差別的なMIG検出器が、異なる幾何学的測度に関して説明されている。
- 参考スコア(独自算出の注目度): 0.8984888893275712
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Principal component analysis (PCA) is a common used pattern analysis method
that maps high-dimensional data into a lower-dimensional space maximizing the
data variance, that results in the promotion of separability of data. Inspired
by the principle of PCA, a novel type of learning discriminative matrix
information geometry (MIG) detectors in the unsupervised scenario are
developed, and applied to signal detection in nonhomogeneous environments.
Hermitian positive-definite (HPD) matrices can be used to model the sample
data, while the clutter covariance matrix is estimated by the geometric mean of
a set of secondary HPD matrices. We define a projection that maps the HPD
matrices in a high-dimensional manifold to a low-dimensional and more
discriminative one to increase the degree of separation of HPD matrices by
maximizing the data variance. Learning a mapping can be formulated as a
two-step mini-max optimization problem in Riemannian manifolds, which can be
solved by the Riemannian gradient descent algorithm. Three discriminative MIG
detectors are illustrated with respect to different geometric measures, i.e.,
the Log-Euclidean metric, the Jensen--Bregman LogDet divergence and the
symmetrized Kullback--Leibler divergence. Simulation results show that
performance improvements of the novel MIG detectors can be achieved compared
with the conventional detectors and their state-of-the-art counterparts within
nonhomogeneous environments.
- Abstract(参考訳): 主成分分析(PCA)は、高次元データをデータ分散を最大化する低次元空間にマッピングする一般的なパターン解析法であり、データの分離性を促進する。
PCAの原理に触発されて、教師なしシナリオにおける新しいタイプの識別行列情報幾何(MIG)検出器を開発し、非均一環境における信号検出に適用した。
エルミート正定値(HPD)行列はサンプルデータのモデル化に利用でき、クラッタ共分散行列は二次HPD行列の幾何平均によって推定される。
高次元多様体内のhpd行列を低次元でより識別的な行列に写像し、データ分散を最大化することによりhpd行列の分離度を増加させる射影を定義する。
写像の学習はリーマン多様体における2段階のミニマックス最適化問題として定式化でき、リーマン勾配降下アルゴリズムによって解くことができる。
3つの識別的mig検出器は、異なる幾何学的測度、すなわちログユークリッド計量、ジェンセン・ブレグマン・ロデットの発散、対称性化されたクルバック・リーバーの発散に関して示される。
シミュレーションの結果,新しいMIG検出器の性能向上は,非均一環境下での従来の検出器とその最先端検出器と比較して達成できることがわかった。
関連論文リスト
- Weakly supervised covariance matrices alignment through Stiefel matrices
estimation for MEG applications [64.20396555814513]
本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。
我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。
MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
論文 参考訳(メタデータ) (2024-01-24T19:04:49Z) - VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。
ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。
本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
論文 参考訳(メタデータ) (2023-04-03T13:13:19Z) - The Generalization Error of Stochastic Mirror Descent on
Over-Parametrized Linear Models [37.6314945221565]
ディープネットワークは、目に見えないデータにうまく一般化することが知られている。
正規化特性は「良い」性質を持つ補間解が見つかることを保証している。
理論を検証し、2つのデータモデルを導入するシミュレーション結果を提案する。
論文 参考訳(メタデータ) (2023-02-18T22:23:42Z) - Classification of BCI-EEG based on augmented covariance matrix [0.0]
本稿では,運動画像分類の改善を目的とした自己回帰モデルから抽出した拡張共分散に基づく新しいフレームワークを提案する。
私たちはMOABBフレームワークを使って、いくつかのデータセットといくつかの主題でアプローチを検証します。
論文 参考訳(メタデータ) (2023-02-09T09:04:25Z) - Likelihood Adjusted Semidefinite Programs for Clustering Heterogeneous
Data [16.153709556346417]
クラスタリングは広くデプロイされた学習ツールである。
iLA-SDPはEMよりも感度が低く、高次元データでは安定である。
論文 参考訳(メタデータ) (2022-09-29T21:03:13Z) - Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View
Tomography [58.60249163402822]
未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。
提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
論文 参考訳(メタデータ) (2022-07-06T21:40:59Z) - Manifold learning-based polynomial chaos expansions for high-dimensional
surrogate models [0.0]
システム記述における不確実性定量化(UQ)のための多様体学習に基づく手法を提案する。
提案手法は高精度な近似を達成でき、UQタスクの大幅な高速化につながる。
論文 参考訳(メタデータ) (2021-07-21T00:24:15Z) - Entropy Minimizing Matrix Factorization [102.26446204624885]
NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。
本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。
通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
論文 参考訳(メタデータ) (2021-03-24T21:08:43Z) - Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。
前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
論文 参考訳(メタデータ) (2020-05-19T05:54:14Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳(メタデータ) (2020-04-17T12:47:04Z) - Bayesian System ID: Optimal management of parameter, model, and
measurement uncertainty [0.0]
システム識別(ID)の確率的定式化の頑健さを,スパース,ノイズ,間接データに対して評価した。
従来手法の目的関数面と比較して,ログ後部は幾何学的特性が向上したことを示す。
論文 参考訳(メタデータ) (2020-03-04T22:48:30Z)
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。