Fugu-MT 論文翻訳(概要): Uncertainty-Based Non-Parametric Active Peak Detection

論文の概要: Uncertainty-Based Non-Parametric Active Peak Detection

arxiv url: http://arxiv.org/abs/2205.02376v1
Date: Thu, 5 May 2022 00:39:44 GMT
ステータス: 処理完了
システム内更新日: 2022-05-07 05:44:38.989407
Title: Uncertainty-Based Non-Parametric Active Peak Detection
Title（参考訳）: 不確実性に基づく非パラメトリックアクティブピーク検出
Authors: Praneeth Narayanamurthy and Urbashi Mitra
Abstract要約: 非常に穏やかな条件下では、$m$の有効選択エネルギー測定によるソースローカライゼーション誤差が$O(log2 m/m)$としてスケールすることが示されている。提案手法は,複数種類のデータに対して優れた性能を示し,最先端のパッシブなソースローカライゼーション手法よりも優れている。
参考スコア（独自算出の注目度）: 40.12401628262849
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Active, non-parametric peak detection is considered. As a use case, active source localization is examined and an uncertainty-based sampling scheme algorithm to effectively localize the peak from a few energy measurements is designed. It is shown that under very mild conditions, the source localization error with $m$ actively chosen energy measurements scales as $O(\log^2 m/m)$. Numerically, it is shown that in low-sample regimes, the proposed method enjoys superior performance on several types of data and outperforms the state-of-the-art passive source localization approaches and in the low sample regime, can outperform greedy methods as well.
Abstract（参考訳）: アクティブな非パラメトリックピーク検出が検討されている。利用例として、アクティブな音源定位を調べ、少数のエネルギー測定からピークを効果的に局在化するための不確実性に基づくサンプリングスキームアルゴリズムを設計する。非常に穏やかな条件下では、$m$の有効選択エネルギー測定誤差は$O(\log^2 m/m)$である。数値的には, 低サンプル方式では, 提案手法は複数のデータに対して優れた性能を示し, 最先端のパッシブソースローカライゼーション手法よりも優れており, 低サンプル方式では, グリーディ方式よりも優れることが示された。

関連論文リスト

Source-Free Domain-Invariant Performance Prediction [68.39031800809553]
本研究では,不確実性に基づく推定を主軸としたソースフリー手法を提案する。オブジェクト認識データセットのベンチマーク実験により、既存のソースベースの手法は、限られたソースサンプルの可用性で不足していることが判明した。提案手法は,現在の最先端のソースフリーおよびソースベース手法よりも優れており,ドメイン不変性能推定の有効性が確認されている。
論文参考訳（メタデータ） (2024-08-05T03:18:58Z)
Active Diffusion Subsampling [15.028061496012924]
最大エントロピーサンプリングでは、最も高いエントロピーを持つと思われる測定位置を選択し、約$x$の不確実性を最小化する。近年,拡散モデルにより誘導拡散を用いた高次元信号の高品質後部サンプルが得られた。誘導拡散を用いたアクティブ・ディフュージョン・サブサンプリング法であるアクティブ・ディフュージョン・サブサンプリング(ADS)を提案する。
論文参考訳（メタデータ） (2024-06-20T15:05:06Z)
Score-based Source Separation with Applications to Digital Communication Signals [72.6570125649502]
拡散モデルを用いた重畳音源の分離手法を提案する。高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
論文参考訳（メタデータ） (2023-06-26T04:12:40Z)
Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。 MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文参考訳（メタデータ） (2022-10-24T16:54:18Z)
Semantic Driven Energy based Out-of-Distribution Detection [0.4640835690336652]
エネルギーベースのOOD法は有望であり、優れた性能を発揮することが証明されている。本稿では,エンドツーエンドのトレーニングシステムであり,最適化が容易なセマンティックなエネルギーベース手法を提案する。その結果,我々の新しい手法は,一般的なベンチマーク上でのエネルギーベースモデルとして,外乱検出を強化し,最先端のモデルを実現する。
論文参考訳（メタデータ） (2022-08-23T07:40:34Z)
Adaptive Resources Allocation CUSUM for Binomial Count Data Monitoring with Application to COVID-19 Hotspot Detection [11.954681424276528]
サンプリング資源が限られているホットスポットを頑健かつ効率的に検出する効率的な統計手法を提案する。本研究の主な目的は、マルチアーム・バンディット(MAB)と変更点検出法を組み合わせることである。本手法はワシントン州ハワイ州における郡レベルでの1日当たりの新型コロナウイルス感染者の実態調査においてホットスポット検出に応用された。
論文参考訳（メタデータ） (2022-08-09T21:26:28Z)
Non-Iterative Recovery from Nonlinear Observations using Generative Models [14.772379476524407]
この信号は、有界な$k$次元入力を持つ$L$-Lipschitz連続生成モデルの範囲内にあると仮定する。提案手法は非定性的であり(プロジェクションステップの近似には反復手順を用いる場合もあるが)、高効率である。
論文参考訳（メタデータ） (2022-05-31T12:34:40Z)
Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
論文参考訳（メタデータ） (2022-05-28T02:02:53Z)
Optimal Sampling Density for Nonparametric Regression [5.3219212985943924]
本稿では,モデルに依存しない,モデルミスマッチに対する頑健な回帰学習戦略を提案する。我々は、平均積分誤差(MISE)を一般化基準として採用し、MISEの挙動と局所的に最適な帯域幅を用いる。提案手法のほとんどモデルフリーな性質は、対象問題の生特性を符号化し、堅牢でモデルに依存しない能動的学習戦略を提供する。
論文参考訳（メタデータ） (2021-05-25T14:52:17Z)
Label Smoothed Embedding Hypothesis for Out-of-Distribution Detection [72.35532598131176]
我々は,$k$-NN 密度推定値を用いて OOD サンプルを検出する教師なし手法を提案する。 emphLabel Smoothed Embedding hypothesis と呼ばれるラベル平滑化に関する最近の知見を活用する。提案手法は,多くのOODベースラインを上回り,新しい有限サンプル高確率統計結果を提供することを示す。
論文参考訳（メタデータ） (2021-02-09T21:04:44Z)

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。