論文の概要: Regression-Based Elastic Metric Learning on Shape Spaces of Elastic
Curves
- arxiv url: http://arxiv.org/abs/2210.01932v1
- Date: Tue, 4 Oct 2022 22:08:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 14:27:00.705534
- Title: Regression-Based Elastic Metric Learning on Shape Spaces of Elastic
Curves
- Title(参考訳): 弾性曲線の形状空間における回帰に基づく弾性計量学習
- Authors: Adele Myers and Nina Miolane
- Abstract要約: 我々は、回帰に基づく弾性距離学習(REML)という新しいメトリック学習パラダイムを提案する。
REMLの学習測度は、従来の平方根速度SRV測度よりも優れた回帰適合度を生成する。
- 参考スコア(独自算出の注目度): 4.56877715768796
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a new metric learning paradigm, Regression-based Elastic Metric
Learning (REML), which optimizes the elastic metric for manifold regression on
the manifold of discrete curves. Our method recognizes that the "ideal" metric
is trajectory-dependent and thus creates an opportunity for improved regression
fit on trajectories of curves. When tested on cell shape trajectories, REML's
learned metric generates a better regression fit than the conventionally used
square-root-velocity SRV metric.
- Abstract(参考訳): 離散曲線多様体上の多様体回帰に対する弾性計量を最適化する新しい計量学習パラダイムである回帰に基づく弾性計量学習(reml)を提案する。
本手法は,「理想」計量が軌道依存であることを認識し,曲線の軌跡に適応する回帰改善の機会を創出する。
細胞形状軌道でテストすると、remlの学習されたメトリックは、従来の四角根速度srvメトリックよりも適切な回帰を生成する。
関連論文リスト
- Skeleton Regression: A Graph-Based Approach to Estimation with Manifold
Structure [0.0]
低次元多様体を囲む大規模で複雑なデータを扱うために設計された新しい回帰フレームワークを導入する。
提案手法はまず,基礎となる幾何学的構造を捉えるために,スケルトンと呼ばれるグラフ表現を構築する。
次に、スケルトングラフ上のメトリクスを定義し、非パラメトリック回帰手法とグラフに基づく特徴変換を適用して回帰関数を推定する。
論文 参考訳(メタデータ) (2023-03-19T21:45:40Z) - Scalable Stochastic Gradient Riemannian Langevin Dynamics in
Non-Diagonal Metrics [4.239829789304117]
本稿では,2つの非対角的指標について述べる。
完全接続型ニューラルネットワーク(NN)と疎結合型プリエントと、相関したプリエントを持つ畳み込みNNでは、これらのメトリクスを用いることで改善が期待できることを示す。
論文 参考訳(メタデータ) (2023-03-09T08:20:28Z) - Implicit Regularization for Group Sparsity [33.487964460794764]
正方形回帰損失に対する勾配勾配は, 明示的な正則化を伴わずに, 群間隔構造を持つ解に偏りを示す。
一般雑音設定における回帰問題の勾配ダイナミクスを解析し,最小最適誤差率を求める。
サイズ 1 群の退化の場合、我々の手法は疎線形回帰の新しいアルゴリズムを生み出す。
論文 参考訳(メタデータ) (2023-01-29T20:54:03Z) - Metric Effects based on Fluctuations in values of k in Nearest Neighbor
Regressor [2.719418335747252]
本稿では,距離ベース回帰モデルに関する非常に微妙な点を対象とする。
距離ベースモデルはK-Nearest Neighbors Regressorであり、教師付き非パラメトリック法である。
私たちが使用しているメトリクスは、Root Mean Squared ErrorとR-Squared Goodness of Fitです。
論文 参考訳(メタデータ) (2022-08-24T13:38:36Z) - Benign overfitting and adaptive nonparametric regression [71.70323672531606]
本研究では,データポイントを高い確率で補間する連続関数である推定器を構築する。
我々は未知の滑らかさに適応してH"古いクラスのスケールにおいて平均2乗リスクの下で最小値の最適速度を得る。
論文 参考訳(メタデータ) (2022-06-27T14:50:14Z) - Riemannian Metric Learning via Optimal Transport [34.557360177483595]
進化する確率測度の断面サンプルからメトリックを学習するための最適輸送ベースモデルを提案する。
本手法を用いて学習したメトリクスは,cRNAと鳥の移動データに基づく軌道推定の精度を向上させる。
論文 参考訳(メタデータ) (2022-05-18T23:32:20Z) - Time varying regression with hidden linear dynamics [74.9914602730208]
線形力学系に従って未知のパラメータが進化することを前提とした時間変化線形回帰モデルを再検討する。
反対に、基礎となる力学が安定である場合、このモデルのパラメータは2つの通常の最小二乗推定と組み合わせることで、データから推定できることが示される。
論文 参考訳(メタデータ) (2021-12-29T23:37:06Z) - Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing
Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。
回帰フリーモデル更新を制約付き最適化問題に定式化する。
モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文 参考訳(メタデータ) (2021-05-07T03:33:00Z) - GELATO: Geometrically Enriched Latent Model for Offline Reinforcement
Learning [54.291331971813364]
オフライン強化学習アプローチは、近近法と不確実性認識法に分けられる。
本研究では,この2つを潜在変動モデルに組み合わせることのメリットを実証する。
提案したメトリクスは、分布サンプルのアウトの品質と、データ内のサンプルの不一致の両方を測定します。
論文 参考訳(メタデータ) (2021-02-22T19:42:40Z) - Online nonparametric regression with Sobolev kernels [99.12817345416846]
我々は、ソボレフ空間のクラス上の後悔の上限を$W_pbeta(mathcalX)$, $pgeq 2, beta>fracdp$ とする。
上界は minimax regret analysis で支えられ、$beta> fracd2$ または $p=infty$ の場合、これらの値は(本質的に)最適である。
論文 参考訳(メタデータ) (2021-02-06T15:05:14Z) - A Kernel-Based Approach to Non-Stationary Reinforcement Learning in
Metric Spaces [53.47210316424326]
KeRNSは、非定常マルコフ決定過程におけるエピソード強化学習のためのアルゴリズムである。
我々は、状態-作用空間の被覆次元と時間とともにMDPの総変動にスケールする後悔境界を証明した。
論文 参考訳(メタデータ) (2020-07-09T21:37:13Z)
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。