Fugu-MT 論文翻訳(概要): Stability of image reconstruction algorithms

論文の概要: Stability of image reconstruction algorithms

arxiv url: http://arxiv.org/abs/2206.07128v1
Date: Tue, 14 Jun 2022 19:40:43 GMT
ステータス: 処理完了
システム内更新日: 2022-06-16 14:25:50.036902
Title: Stability of image reconstruction algorithms
Title（参考訳）: 画像再構成アルゴリズムの安定性
Authors: Pol del Aguila Pla and Sebastian Neumayer and Michael Unser
Abstract要約: 画像再構成アルゴリズムのロバストさと安定性は、最近精査されている。この結果は、それぞれ$L_p(Omega)$関数空間によく一般化される。
参考スコア（独自算出の注目度）: 23.548557925529675
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Robustness and stability of image reconstruction algorithms have recently come under scrutiny. Their importance to medical imaging cannot be overstated. We review the known results for the topical variational regularization strategies ($\ell_2$ and $\ell_1$ regularization), and present new stability results for $\ell_p$ regularized linear inverse problems for $p\in(1,\infty)$. Our results generalize well to the respective $L_p(\Omega)$ function spaces.
Abstract（参考訳）: 画像再構成アルゴリズムのロバスト性と安定性は近年精査されている。医用画像の重要性は過大評価できない。局所変分正規化戦略($\ell_2$ および $\ell_1$ 正規化)の既知結果をレビューし、$\ell_p$ 正規化線形逆問題に対する $p\in(1,\infty)$ の新しい安定性結果を示す。この結果は各$l_p(\omega)$関数空間によく一般化する。

関連論文リスト

Variance-Dependent Regret Bounds for Non-stationary Linear Bandits [52.872628573907434]
報酬分布の分散と$B_K$の分散を利用するアルゴリズムを提案する。 Restarted Weighted$textOFUL+$とRestarted$textSAVE+$の2つの新しいアルゴリズムを紹介します。特に、V_K$が$K$よりはるかに小さい場合、我々のアルゴリズムは、異なる設定下での非定常線形バンドレットの最先端結果よりも優れている。
論文参考訳（メタデータ） (2024-03-15T23:36:55Z)
Improved Algorithm for Adversarial Linear Mixture MDPs with Bandit Feedback and Unknown Transition [71.33787410075577]
線形関数近似,未知遷移,および逆損失を用いた強化学習について検討した。我々は高い確率で$widetildeO(dsqrtHS3K + sqrtHSAK)$ regretを実現する新しいアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-03-07T15:03:50Z)
Avoiding strict saddle points of nonconvex regularized problems [3.92625489118339]
第二項最適性条件は定常点の零点にのみ依存することを示す。本稿では,反復再重み付き$ell_1$を含む2つの繰り返し重み付きアルゴリズムを提案する。これらのアルゴリズムは、サドル点の性質が仮定されるときのみランダムに局所的なサドラーに収束することを示す。
論文参考訳（メタデータ） (2024-01-17T15:25:50Z)
Efficient Frameworks for Generalized Low-Rank Matrix Bandit Problems [61.85150061213987]
一般化線形モデル (GLM) フレームワークを用いて, citelu2021low で提案した一般化低ランク行列帯域問題について検討する。既存のアルゴリズムの計算不可能性と理論的制約を克服するため,まずG-ESTTフレームワークを提案する。 G-ESTT は $tildeO(sqrt(d_1+d_2)3/2Mr3/2T)$ bound of regret を達成でき、G-ESTS は $tildeO を達成できることを示す。
論文参考訳（メタデータ） (2024-01-14T14:14:19Z)
Ultrasound Image Reconstruction with Denoising Diffusion Restoration Models [4.595675084986131]
本稿では,超音波逆問題モデルDRUSとWDRUSに対するDDRMの2つの適応性を提案する。合成およびPICMUSデータを用いた実験により, 単平面波を用いて, DASや最先端手法に匹敵する画質が得られることが示された。
論文参考訳（メタデータ） (2023-07-29T14:01:46Z)
Corralling a Larger Band of Bandits: A Case Study on Switching Regret for Linear Bandits [99.86860277006318]
本稿では,一組の逆アルゴリズムを組み合わせ,学習することの問題点について考察する。 Agarwal et al. の CORRAL はこの目標を、$widetildeO(sqrtd S T)$ の残酷なオーバーヘッドで達成している。この問題に触発されて、後悔のオーバーヘッドが百万ドルにしか依存しない大規模バンディットアルゴリズムのバンドを囲む新しいレシピを提案する。
論文参考訳（メタデータ） (2022-02-12T21:55:44Z)
Logarithmic Regret from Sublinear Hints [76.87432703516942]
自然クエリモデルにより,アルゴリズムが$O(log T)$ regretsを$O(sqrtT)$ hintsで得ることを示す。また、$o(sqrtT)$ hintsは$Omega(sqrtT)$ regretより保証できないことも示しています。
論文参考訳（メタデータ） (2021-11-09T16:50:18Z)
Non-stationary Linear Bandits Revisited [26.082923174615495]
非定常線形帯域は、時間変化の根底にある回帰パラメータを持つ線形帯域の変種である。これらのアルゴリズムに対して,$widetildeO(T3/4(1+P_T)1/4)$ dynamic regretを証明した。
論文参考訳（メタデータ） (2021-03-09T10:07:17Z)
SGD Generalizes Better Than GD (And Regularization Doesn't Help) [39.588906680621825]
我々は、勾配勾配(SGD)の一般化性能と全バッチ勾配(GD)の分離結果を与える。同じステップ数で、GD はオーバーフィットし、$Omega(1)$ generalization error で解を出力することを示した。本稿では,GDによる経験的リスクの最小化が,基本的には上記の結果を変えるものではないことを論じ,安定性,暗黙バイアス,一般化における学習アルゴリズムの役割を再考する。
論文参考訳（メタデータ） (2021-02-01T19:18:40Z)
Truncated Linear Regression in High Dimensions [26.41623833920794]
truncated linear regression において、従属変数 $(A_i, y_i)_i$ は $y_i= A_irm T cdot x* + eta_i$ は固定された未知の興味ベクトルである。目標は、$A_i$とノイズ分布に関するいくつかの好ましい条件の下で$x*$を回復することである。我々は、$k$-sparse $n$-dimensional vectors $x*$ from $m$ truncated sample。
論文参考訳（メタデータ） (2020-07-29T00:31:34Z)
A new regret analysis for Adam-type algorithms [78.825194932103]
理論的には、オンライン凸最適化に対する後悔の保証は、急速に崩壊する$beta_1to0$スケジュールを必要とする。最適なデータ依存リセット境界を一定の$beta_1$で導出できる新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-21T19:19:51Z)

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。