Fugu-MT 論文翻訳(概要): Regression-Based Elastic Metric Learning on Shape Spaces of Elastic Curves

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

Unveiling the Cycloid Trajectory of EM Iterations in Mixed Linear Regression [5.883916678819683]
2成分混合線形回帰(2MLR)における反復の軌跡と期待最大化(EM)アルゴリズムの収束率について検討する。近年, ノイズレスおよび高SNR環境下での2MLRにおけるEMの超線形収束が確立されている。
論文参考訳（メタデータ） (2024-05-28T14:46:20Z)
Regression-aware Inference with LLMs [52.764328080398805]
提案手法は,一般的な回帰と評価指標に準最適であることを示す。本稿では,ベイズ最適解を推定し,サンプル応答からクローズド形式の評価指標を推定する代替推論手法を提案する。
論文参考訳（メタデータ） (2024-03-07T03:24:34Z)
Distributional Reinforcement Learning with Dual Expectile-Quantile Regression [51.87411935256015]
分布RLに対する量子レグレッションアプローチは、任意の戻り分布を柔軟かつ効果的に学習する方法を提供する。我々は,分布保証が消えることを示し,推定分布が急速に崩壊して平均推定値が崩壊することを実証的に観察する。提案手法は,$L$の学習効率を生かして,返却分布の予測値と量子化値とを協調的に学習し,返却分布の完全な分布を推定し,効率的な学習を可能にするものである。
論文参考訳（メタデータ） (2023-05-26T12:30:05Z)
Scalable Stochastic Gradient Riemannian Langevin Dynamics in Non-Diagonal Metrics [3.8811062755861956]
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)
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)

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。