論文の概要: Nonparametric Multi-shape Modeling with Uncertainty Quantification
- arxiv url: http://arxiv.org/abs/2206.09127v2
- Date: Wed, 22 Jun 2022 02:45:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-23 11:40:26.998508
- Title: Nonparametric Multi-shape Modeling with Uncertainty Quantification
- Title（参考訳）: 不確実性定量化を用いた非パラメトリック多形モデリング
- Authors: Hengrui Luo, Justin D. Strait
- Abstract要約: マルチ出力多次元ガウスプロセスモデリングフレームワークの提案と検討を行う。
提案手法の進歩を概説し、意味のある不確実な定量化の有用性を実証する。
このモデルに基づくアプローチは、閉曲線(とその形状)とカーネル構造との推論の問題に対処するだけでなく、一般の関数対象に対する多値依存の非パラメトリックなモデリングへの扉を開く。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The modeling and uncertainty quantification of closed curves is an important
problem in the field of shape analysis, and can have significant ramifications
for subsequent statistical tasks. Many of these tasks involve collections of
closed curves, which often exhibit structural similarities at multiple levels.
Modeling multiple closed curves in a way that efficiently incorporates such
between-curve dependence remains a challenging problem. In this work, we
propose and investigate a multiple-output (a.k.a. multi-output),
multi-dimensional Gaussian process modeling framework. We illustrate the
proposed methodological advances, and demonstrate the utility of meaningful
uncertainty quantification, on several curve and shape-related tasks. This
model-based approach not only addresses the problem of inference on closed
curves (and their shapes) with kernel constructions, but also opens doors to
nonparametric modeling of multi-level dependence for functional objects in
general.
- Abstract（参考訳）: 閉曲線のモデリングと不確かさの定量化は形状解析の分野において重要な問題であり、その後の統計的タスクに重大な影響をもたらす可能性がある。
これらのタスクの多くは閉曲線の集合を含み、しばしば複数のレベルで構造的類似性を示す。
このような曲線間の依存を効率的に組み込む方法で複数の閉曲線をモデル化することは難しい問題である。
本研究では,多次元ガウス過程モデリングフレームワーク(multi-output,multi-output)を提案する。
提案手法を応用し,いくつかの曲線および形状関連課題において有意義な不確実性定量化の有用性を示す。
このモデルに基づくアプローチは、閉曲線(とその形状)をカーネル構成で推論する問題だけでなく、一般に関数オブジェクトに対するマルチレベル依存の非パラメトリックモデリングへの扉を開く。
関連論文リスト
- Model-free Estimation of Latent Structure via Multiscale Nonparametric Maximum Likelihood [13.175343048302697]
そこで我々は,そのような潜在構造がいつでも存在すると仮定することなく,その存在を推定するためのモデルフリーな手法を提案する。
アプリケーションとして,提案手法に基づくクラスタリングアルゴリズムを設計し,広範囲の潜伏構造を捕捉する手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-10-29T17:11:33Z) - Directed Cyclic Graph for Causal Discovery from Multivariate Functional
Data [15.26007975367927]
因果構造学習のための機能線形構造方程式モデルを提案する。
解釈可能性を高めるために,本モデルは低次元因果埋め込み空間を含む。
提案モデルが標準仮定の下で因果的同定可能であることを示す。
論文 参考訳（メタデータ） (2023-10-31T15:19:24Z) - Multi-Response Heteroscedastic Gaussian Process Models and Their
Inference [1.52292571922932]
本稿ではヘテロセダスティック共分散関数のモデリングのための新しいフレームワークを提案する。
後部モデルに近似し, 後部予測モデルを容易にするために, 変分推論を用いる。
提案するフレームワークは,幅広いアプリケーションに対して,堅牢で汎用的なツールを提供する。
論文 参考訳（メタデータ） (2023-08-29T15:06:47Z) - Partial Counterfactual Identification from Observational and
Experimental Data [83.798237968683]
観測データと実験データの任意の組み合わせから最適境界を近似する有効なモンテカルロアルゴリズムを開発した。
我々のアルゴリズムは、合成および実世界のデータセットに基づいて広範囲に検証されている。
論文 参考訳（メタデータ） (2021-10-12T02:21:30Z) - Approximate Latent Force Model Inference [1.3927943269211591]
潜在力モデルは、動的システムにおける推論のための純粋にデータ駆動ツールの解釈可能な代替手段を提供する。
ニューラルネットワークのアプローチは、モデルを数千のインスタンスにスケールし、高速で分散的な計算を可能にします。
論文 参考訳（メタデータ） (2021-09-24T09:55:00Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳（メタデータ） (2021-06-25T22:08:51Z) - Compositional Modeling of Nonlinear Dynamical Systems with ODE-based
Random Features [0.0]
この問題に対処するための新しいドメインに依存しないアプローチを提案する。
我々は、通常の微分方程式から導かれる物理インフォームド・ランダムな特徴の合成を用いる。
提案手法は,ベンチマーク回帰タスクにおいて,他の多くの確率モデルに匹敵する性能を実現する。
論文 参考訳（メタデータ） (2021-06-10T17:55:13Z) - Nonlinear Independent Component Analysis for Continuous-Time Signals [85.59763606620938]
このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。
このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
論文 参考訳（メタデータ） (2021-02-04T20:28:44Z) - Disentangling Observed Causal Effects from Latent Confounders using
Method of Moments [67.27068846108047]
我々は、軽度の仮定の下で、識別性と学習可能性に関する保証を提供する。
我々は,線形制約付き結合テンソル分解に基づく効率的なアルゴリズムを開発し,スケーラブルで保証可能な解を得る。
論文 参考訳（メタデータ） (2021-01-17T07:48:45Z) - Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。
堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。
異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文 参考訳（メタデータ） (2020-07-21T08:18:06Z) - Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
多視点問題は潜在変数モデルに直面することができる。
高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。
両アプローチを単一モデルにマージすることを提案する。
論文 参考訳（メタデータ） (2020-06-01T14:25:38Z)
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。