Fugu-MT 論文翻訳(概要): Bona fide Riesz projections for density estimation

論文の概要: Bona fide Riesz projections for density estimation

arxiv url: http://arxiv.org/abs/2204.13606v1
Date: Thu, 28 Apr 2022 16:06:17 GMT
ステータス: 処理完了
システム内更新日: 2022-04-29 15:28:39.832007
Title: Bona fide Riesz projections for density estimation
Title（参考訳）: 密度推定のためのボナfide Rieszプロジェクション
Authors: P. del Aguila Pla and Michael Unser
Abstract要約: 推定値のボナフィド特性,すなわち非負性および全確率質量を1ドルで保証する射影作用素を提案する。結果は、特に影響が引き締まりやすい状況において、パフォーマンスが向上していることを示唆している。
参考スコア（独自算出の注目度）: 25.6264886382888
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The projection of sample measurements onto a reconstruction space represented by a basis on a regular grid is a powerful and simple approach to estimate a probability density function. In this paper, we focus on Riesz bases and propose a projection operator that, in contrast to previous works, guarantees the bona fide properties for the estimate, namely, non-negativity and total probability mass $1$. Our bona fide projection is defined as a convex problem. We propose solution techniques and evaluate them. Results suggest an improved performance, specifically in circumstances prone to rippling effects.
Abstract（参考訳）: 正規格子上の基底で表される再構成空間へのサンプル測定の投影は、確率密度関数を推定するための強力で単純なアプローチである。本稿では, リース基底に着目し, 従来の研究とは対照的に, 推定値のボナfide特性, 非ネガティビティ, 総確率質量 1 ドルを保証した射影演算子を提案する。我々のボナフィデ射影は凸問題として定義される。我々は解法を提案し,それを評価する。結果から,パフォーマンスが向上したことが示唆される。

関連論文リスト

Confidence Aware Learning for Reliable Face Anti-spoofing [52.23271636362843]
本稿では,その能力境界を意識した信頼認識顔アンチスプーフィングモデルを提案する。各サンプルの予測中にその信頼性を推定する。実験の結果,提案したCA-FASは予測精度の低いサンプルを効果的に認識できることがわかった。
論文参考訳（メタデータ） (2024-11-02T14:29:02Z)
Random-projection ensemble dimension reduction [1.6114012813668932]
本稿では,高次元回帰の文脈における次元削減のための新しい枠組みを提案する。独立な乱射影の解離群を考察し、各射影の後に基本回帰法を適用し、経験的性能に基づいて各群における射影を保持する。シミュレーションおよび実データを用いた大規模数値実験において,提案手法の優れた実証性能を示す。
論文参考訳（メタデータ） (2024-10-07T11:09:50Z)
Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。本手法は, 精度の高い問題に特に適している。提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
論文参考訳（メタデータ） (2023-11-08T00:10:21Z)
Calibrating Neural Simulation-Based Inference with Differentiable Coverage Probability [50.44439018155837]
ニューラルモデルのトレーニング目的に直接キャリブレーション項を含めることを提案する。古典的なキャリブレーション誤差の定式化を緩和することにより、エンドツーエンドのバックプロパゲーションを可能にする。既存の計算パイプラインに直接適用でき、信頼性の高いブラックボックス後部推論が可能である。
論文参考訳（メタデータ） (2023-10-20T10:20:45Z)
Wasserstein Distributionally Robust Estimation in High Dimensions: Performance Analysis and Optimal Hyperparameter Tuning [0.0]
雑音線形測定から未知パラメータを推定するための分布的ロバストな推定フレームワークを提案する。このような推定器の2乗誤差性能を解析する作業に着目する。凸凹最適化問題の解法として2乗誤差を復元できることを示す。
論文参考訳（メタデータ） (2022-06-27T13:02:59Z)
Estimating and Exploiting the Aleatoric Uncertainty in Surface Normal Estimation [25.003116148843525]
単一画像からの表面正規化は3次元シーン理解において重要な課題である。本稿では,既存手法で共有されている2つの制約,すなわち,アレータリック不確実性を推定できないこと,および予測における詳細性の欠如に対処する。本稿では,推定不確実性に基づいて,画素単位のパーセプトロンをサンプルとするデコーダフレームワークを提案する。
論文参考訳（メタデータ） (2021-09-20T23:30:04Z)
Learning Accurate Dense Correspondences and When to Trust Them [161.76275845530964]
2つの画像に関連する密度の高い流れ場と、堅牢な画素方向の信頼度マップの推定を目指しています。フロー予測とその不確実性を共同で学習するフレキシブルな確率的アプローチを開発する。本手法は,幾何学的マッチングと光フローデータセットに挑戦する最新の結果を得る。
論文参考訳（メタデータ） (2021-01-05T18:54:11Z)
A New Distributional Ranking Loss With Uncertainty: Illustrated in Relative Depth Estimation [0.0]
単一画像からの相対深度推定問題に対する新しいアプローチを提案する。奥行きスコアを直接回帰する代わりに、この問題を深さを超える確率分布の推定として定式化する。本モデルでは,より近い画素の深さよりも近い画素の深さの確率を高めるために,新たなランキング損失である分布損失を提案する。
論文参考訳（メタデータ） (2020-10-14T13:47:18Z)
Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
論文参考訳（メタデータ） (2020-02-20T15:13:27Z)
Distributionally Robust Bayesian Quadrature Optimization [60.383252534861136]
確率分布が未知な分布の不確実性の下でBQOについて検討する。標準的なBQOアプローチは、固定されたサンプル集合が与えられたときの真の期待目標のモンテカルロ推定を最大化する。この目的のために,新しい後方サンプリングに基づくアルゴリズム,すなわち分布的に堅牢なBQO(DRBQO)を提案する。
論文参考訳（メタデータ） (2020-01-19T12:00:33Z)

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。