Fugu-MT 論文翻訳(概要): Improved Point Estimation for the Rayleigh Regression Model

論文の概要: Improved Point Estimation for the Rayleigh Regression Model

arxiv url: http://arxiv.org/abs/2208.03611v1
Date: Sun, 7 Aug 2022 01:28:39 GMT
ステータス: 処理完了
システム内更新日: 2022-08-09 14:31:25.115443
Title: Improved Point Estimation for the Rayleigh Regression Model
Title（参考訳）: レイリー回帰モデルの点推定精度の向上
Authors: B. G. Palm, F. M. Bayer, R. J. Cintra
Abstract要約: 近年,合成開口レーダ(SAR)画像画素の振幅値のモデル化のためにレイリー回帰モデルが提案されている。 i) Cox 法と Snell 法, (ii) Firth 法, (iii) パラメトリックブートストラップ法に基づくレイリー回帰モデルに適したバイアス調整型推定器を提案する。
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 Rayleigh regression model was recently proposed for modeling amplitude values of synthetic aperture radar (SAR) image pixels. However, inferences from such model are based on the maximum likelihood estimators, which can be biased for small signal lengths. The Rayleigh regression model for SAR images often takes into account small pixel windows, which may lead to inaccurate results. In this letter, we introduce bias-adjusted estimators tailored for the Rayleigh regression model based on: (i) the Cox and Snell's method; (ii) the Firth's scheme; and (iii) the parametric bootstrap method. We present numerical experiments considering synthetic and actual SAR data sets. The bias-adjusted estimators yield nearly unbiased estimates and accurate modeling results.
Abstract（参考訳）: 近年,合成開口レーダ(SAR)画像画素の振幅値のモデル化のためにレイリー回帰モデルが提案されている。しかし、そのようなモデルからの推測は、小さな信号長に偏りがある最大極大推定器に基づいている。 SAR画像のレイリー回帰モデルは小さなピクセルウィンドウを考慮に入れており、不正確な結果をもたらす可能性がある。本稿では,レイリー回帰モデルに適合したバイアス調整型推定器について述べる。 (i)cox及びsnellの方法 (ii)firthのスキーム (iii)パラメトリックブートストラップ法。合成および実SARデータセットを考慮した数値実験を行った。バイアス調整された推定値は、ほぼ偏りのない推定値と正確なモデリング結果をもたらす。

関連論文リスト

Forest Parameter Prediction by Multiobjective Deep Learning of Regression Models Trained with Pseudo-Target Imputation [6.853936752111048]
リモートセンシングデータを用いた森林パラメータの予測において、回帰モデルは、伝統的に地上基準データの小さなサンプルに基づいて訓練されてきた。本稿では, 擬似ターゲットとみなす既存の RS ベースの予測マップからのデータを用いて, この真の予測対象のサンプルをインプットする。我々は、空中レーザー走査(ALS)データから構築された予測マップを用いて、正確な擬似ターゲットと、Sentinel-1のCバンド合成開口レーダ(SAR)のデータを回帰器として提供する。
論文参考訳（メタデータ） (2023-06-19T18:10:47Z)
Augmented balancing weights as linear regression [3.877356414450364]
自動脱バイアス機械学習(AutoDML)としても知られる拡張バランスウェイトの特徴を新たに提供する。拡張推定器は、元の結果モデルから得られる係数と、不注意な通常の最小二乗(OLS)から得られる係数を同じデータに組み合わせた単一の線形モデルと等価であることを示す。私たちのフレームワークは、この人気の高い推定器のクラスにブラックボックスを開きます。
論文参考訳（メタデータ） (2023-04-27T21:53:54Z)
Robust Rayleigh Regression Method for SAR Image Processing in Presence of Outliers [0.0]
合成開口レーダ(SAR)データにおける異常値(outliers)の存在は、不正確な推論をもたらす可能性がある。本稿では,外乱の存在に頑健なレイリー回帰モデルパラメータ推定器について述べる。
論文参考訳（メタデータ） (2022-07-29T23:03:45Z)
Deep Equilibrium Optical Flow Estimation [80.80992684796566]
最近のSOTA(State-of-the-art)光フローモデルでは、従来のアルゴリズムをエミュレートするために有限ステップの更新操作を使用する。これらのRNNは大きな計算とメモリオーバーヘッドを課し、そのような安定した推定をモデル化するために直接訓練されていない。暗黙的層の無限レベル固定点として直接流れを解く手法として,Deep equilibrium Flow estimatorを提案する。
論文参考訳（メタデータ） (2022-04-18T17:53:44Z)
Hierarchical Gaussian Process Models for Regression Discontinuity/Kink under Sharp and Fuzzy Designs [0.0]
回帰不連続/リンク(RD/RK)を用いた因果推論のための非パラメトリックベイズ推定器を提案する。これらの推定器は、中間ベイズニューラルネットワーク層を持つ階層型GPモデルに拡張される。モンテカルロシミュレーションにより、我々の推定器は、精度、カバレッジ、間隔長の点で競合する推定器よりもよく、しばしばよく機能することを示した。
論文参考訳（メタデータ） (2021-10-03T04:23:56Z)
Model Adaptation for Image Reconstruction using Generalized Stein's Unbiased Risk Estimator [34.08815401541628]
我々は、ネットワークを計測したk空間データに適応させるために、一般化ステインのアンバイアスドリスク推定(GSURE)損失指標を導入する。 kspaceの平均二乗誤差に依存する現在の方法とは異なり、提案されたメトリックは測定におけるノイズを計る。
論文参考訳（メタデータ） (2021-01-29T20:16:45Z)
Score-Based Generative Modeling through Stochastic Differential Equations [114.39209003111723]
複素データ分布を雑音を注入することによって既知の事前分布に変換する微分方程式を提案する。対応する逆時間SDEは、ノイズを緩やかに除去し、先行分布をデータ分布に戻す。スコアベース生成モデリングの進歩を活用することで、これらのスコアをニューラルネットワークで正確に推定することができる。スコアベース生成モデルから1024×1024画像の高忠実度生成を初めて示す。
論文参考訳（メタデータ） (2020-11-26T19:39:10Z)
Probing Model Signal-Awareness via Prediction-Preserving Input Minimization [67.62847721118142]
モデルが正しい脆弱性信号を捕捉して予測する能力を評価する。 SAR(Signal-Aware Recall)と呼ばれる新しい指標を用いて,モデルの信号認識を計測する。その結果,90年代以降のリコールから60年代以降のリコールは,新たな指標で大幅に減少した。
論文参考訳（メタデータ） (2020-11-25T20:05:23Z)
A Bayesian Perspective on Training Speed and Model Selection [51.15664724311443]
モデルのトレーニング速度の測定値を用いて,その限界確率を推定できることを示す。線形モデルと深部ニューラルネットワークの無限幅限界に対するモデル選択タスクの結果を検証する。以上の結果から、勾配勾配勾配で訓練されたニューラルネットワークが、一般化する関数に偏りがある理由を説明するための、有望な新たな方向性が示唆された。
論文参考訳（メタデータ） (2020-10-27T17:56:14Z)
Path Sample-Analytic Gradient Estimators for Stochastic Binary Networks [78.76880041670904]
二進的アクティベーションや二進的重みを持つニューラルネットワークでは、勾配降下によるトレーニングは複雑である。そこで本研究では,サンプリングと解析近似を併用した新しい推定法を提案する。勾配推定において高い精度を示し、深部畳み込みモデルにおいてより安定かつ優れた訓練を行うことを示す。
論文参考訳（メタデータ） (2020-06-04T21:51:21Z)
SUMO: Unbiased Estimation of Log Marginal Probability for Latent Variable Models [80.22609163316459]
無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
論文参考訳（メタデータ） (2020-04-01T11:49:30Z)

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。