論文の概要: Estimation Contracts for Outlier-Robust Geometric Perception
- arxiv url: http://arxiv.org/abs/2208.10521v1
- Date: Mon, 22 Aug 2022 18:01:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-24 12:27:21.298095
- Title: Estimation Contracts for Outlier-Robust Geometric Perception
- Title（参考訳）: 異常ロバスト幾何知覚のための推定契約
- Authors: Luca Carlone
- Abstract要約: 外乱推定は基本的な問題であり、統計学者によって広く研究されている。
我々は,近代的な推定アルゴリズムが,外れ値の存在下で地上に近い推定値を取得することを保証した入力条件を提供する。
- 参考スコア（独自算出の注目度）: 25.105820975269506
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Outlier-robust estimation is a fundamental problem and has been extensively
investigated by statisticians and practitioners. The last few years have seen a
convergence across research fields towards "algorithmic robust statistics",
which focuses on developing tractable outlier-robust techniques for
high-dimensional estimation problems. Despite this convergence, research
efforts across fields have been mostly disconnected from one another. This
paper bridges recent work on certifiable outlier-robust estimation for
geometric perception in robotics and computer vision with parallel work in
robust statistics. In particular, we adapt and extend recent results on robust
linear regressions (applicable to the low-outlier case with << 50% outliers)
and list-decodable regression (applicable to the high-outlier case with >> 50%
outliers) to the setup commonly found in robotics and vision, where (i)
variables (e.g., rotations, poses) belong to a non-convex domain, (ii)
measurements are vector-valued, and (iii) the number of outliers is not known a
priori. The emphasis here is on performance guarantees: rather than proposing
new algorithms, we provide conditions on the input measurements under which
modern estimation algorithms are guaranteed to recover an estimate close to the
ground truth in the presence of outliers. These conditions are what we call an
"estimation contract". Besides the proposed extensions of existing results, we
believe the main contributions of this paper are (i) to unify parallel research
lines by pointing out commonalities and differences, (ii) to introduce advanced
material (e.g., sum-of-squares proofs) in an accessible and self-contained
presentation for the practitioner, and (iii) to point out a few immediate
opportunities and open questions in outlier-robust geometric perception.
- Abstract（参考訳）: 外乱推定は基本的な問題であり、統計学者や実践家によって広く研究されている。
ここ数年、高次元推定問題に対する扱いやすい外れ値ロバスト手法の開発に焦点をあてた「アルゴリズムロバスト統計」が研究分野をまたいで収束してきた。
この収束にもかかわらず、分野間の研究活動はほとんどが互いに切り離されている。
本稿では,ロバスト統計学におけるロボット工学とコンピュータビジョンにおける幾何知覚のための認証外乱推定に関する最近の研究を橋渡しする。
特に、ロバストな線形回帰(<<50%外周率の低外周例に適用可能)とリスト分解可能な回帰(>50%外周率の高外周例に適用可能)について、ロボット工学や視覚学で一般的に見られる設定に適応し、拡張する。
(i)変数(回転、ポーズなど)は、凸でない領域に属する。
(ii)測定値はベクトル値であり、
(iii)外れ値の個数は、事前には分かっていない。
我々は、新しいアルゴリズムを提案するのではなく、現代の推定アルゴリズムが保証されている入力測定の条件を提供し、外れ値の存在下での基底真理に近い見積もりを復元する。
これらの条件は、私たちが"見積契約"と呼ぶものです。
提案する既存の結果の拡張に加えて,本論文の主な貢献は次のとおりである。
(i)共通点や相違点を指摘して並列研究路線を統一すること。
(ii)実践者に対して、アクセス可能で自己完結したプレゼンテーションにおいて、高度な資料(例えば、二乗証明の要約)を導入すること。
(三)直近の機会を指摘し、外乱的幾何学的知覚に疑問を呈する。
関連論文リスト
- Heavy-tailed Contamination is Easier than Adversarial Contamination [8.607294463464523]
ハマー (Huber, 1960) にさかのぼる統計学と計算機科学のコミュニティにおける研究の成果は、統計学的および計算学的に効率的なアウトリア・ローバスト推定器に繋がった。
2つの特定の外れ値モデル、すなわち対向モデルと重尾モデルが注目されている。
論文 参考訳（メタデータ） (2024-11-22T19:00:33Z) - Risk and cross validation in ridge regression with correlated samples [72.59731158970894]
我々は,データポイントが任意の相関関係を持つ場合,リッジ回帰のイン・オブ・サンプルリスクのトレーニング例を提供する。
さらに、テストポイントがトレーニングセットと非自明な相関を持ち、時系列予測で頻繁に発生するような場合まで分析を拡張します。
我々は多種多様な高次元データにまたがって理論を検証する。
論文 参考訳（メタデータ） (2024-08-08T17:27:29Z) - Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。
また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
論文 参考訳（メタデータ） (2024-05-13T14:44:22Z) - Differentially Private Linear Regression with Linked Data [3.9325957466009203]
コンピュータ科学の数学的概念である差分プライバシーは、堅牢なプライバシー保証を提供する上昇するツールである。
最近の研究は、個々の統計および機械学習タスクの微分プライベートバージョンの開発に焦点を当てている。
相関データを用いた線形回帰のための2つの微分プライベートアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-08-01T21:00:19Z) - Uncertainty-Aware Instance Reweighting for Off-Policy Learning [63.31923483172859]
本研究では,不確実性を考慮した逆確率スコア推定器 (UIPS) を提案する。
実世界の3つのレコメンデーションデータセットを用いた実験結果から,提案したUIPS推定器の有効サンプル効率が示された。
論文 参考訳（メタデータ） (2023-03-11T11:42:26Z) - Assaying Out-Of-Distribution Generalization in Transfer Learning [103.57862972967273]
私たちは、経験的に対処するメッセージの相違を強調して、以前の作業の統一的なビューを取ります。
私たちは9つの異なるアーキテクチャから、多数の、あるいは少数の設定で31K以上のネットワークを微調整しました。
論文 参考訳（メタデータ） (2022-07-19T12:52:33Z) - Outlier-Robust Geometric Perception: A Novel Thresholding-Based Estimator with Intra-Class Variance Maximization [4.3487328134753795]
我々は、新しい汎用ロバストな推定器TIVM(クラス内変動最大化による三値保持)を提案する。
標準的な非最小解法と協調して、幾何学的知覚問題に対する外れ値の除去を効率的に行うことができる。
我々の推定器は、問題の不整合ノイズ統計が完全に未知である場合でも、ほぼ同じレベルのロバスト性を維持することができる。
論文 参考訳（メタデータ） (2022-04-04T08:57:34Z) - ROBIN: a Graph-Theoretic Approach to Reject Outliers in Robust
Estimation using Invariants [30.19476775410544]
外乱は典型的には誤ったデータアソシエーションや特徴マッチングの結果である。
頑健な推定に対する現在のアプローチは、多くの外れ値が存在する場合、正確に見積もることができない。
本稿では, プルー・アウトレーヤへのアプローチについて述べる。
論文 参考訳（メタデータ） (2020-11-07T02:09:33Z) - $\gamma$-ABC: Outlier-Robust Approximate Bayesian Computation Based on a
Robust Divergence Estimator [95.71091446753414]
最寄りの$gamma$-divergence推定器をデータ差分尺度として用いることを提案する。
本手法は既存の不一致対策よりも高いロバスト性を実現する。
論文 参考訳（メタデータ） (2020-06-13T06:09:27Z) - Generating Artificial Outliers in the Absence of Genuine Ones -- a
Survey [0.0]
文学は、人工的なアウトリーチを生成するための様々なアプローチを特徴としている。
まず、出版から出版まで多岐にわたる分野における用語を明確にすることから始める。
それらの一般的な概念と、それらが真のインスタンスをどのように利用するかによって、アプローチをグループ化します。
論文 参考訳（メタデータ） (2020-06-05T19:33:10Z) - High-Dimensional Robust Mean Estimation via Gradient Descent [73.61354272612752]
一定対向分数の存在下でのロバスト平均推定の問題は勾配降下によって解けることを示す。
我々の研究は、近辺の非補題推定とロバスト統計の間の興味深い関係を確立する。
論文 参考訳（メタデータ） (2020-05-04T10:48:04Z)
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。