Fugu-MT 論文翻訳(概要): Leveraging joint sparsity in hierarchical Bayesian learning

論文の概要: Leveraging joint sparsity in hierarchical Bayesian learning

arxiv url: http://arxiv.org/abs/2303.16954v2
Date: Fri, 24 May 2024 14:37:45 GMT
ステータス: 処理完了
システム内更新日: 2024-05-28 00:25:27.573045
Title: Leveraging joint sparsity in hierarchical Bayesian learning
Title（参考訳）: 階層的ベイズ学習における結合空間の活用
Authors: Jan Glaubitz, Anne Gelb,
Abstract要約: 複数の測定ベクトルから連続的にスパースなパラメータベクトルを推定するための階層的ベイズ学習手法を提案する。その結果,従来のベイズ推論手法と組み合わせて新しいアルゴリズム群を生成する。
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: We present a hierarchical Bayesian learning approach to infer jointly sparse parameter vectors from multiple measurement vectors. Our model uses separate conditionally Gaussian priors for each parameter vector and common gamma-distributed hyper-parameters to enforce joint sparsity. The resulting joint-sparsity-promoting priors are combined with existing Bayesian inference methods to generate a new family of algorithms. Our numerical experiments, which include a multi-coil magnetic resonance imaging application, demonstrate that our new approach consistently outperforms commonly used hierarchical Bayesian methods.
Abstract（参考訳）: 複数の測定ベクトルから連続的にスパースなパラメータベクトルを推定するための階層的ベイズ学習手法を提案する。本モデルでは,各パラメータベクトルと共通ガンマ分布ハイパーパラメータに対して,それぞれ異なる条件付きガウス先行値を用いて関節の間隔を強制する。その結果,従来のベイズ推論手法と組み合わせて新しいアルゴリズム群を生成する。マルチコイル磁気共鳴イメージングアプリケーションを含む数値実験により、我々の新しい手法は階層的ベイズ法よりも一貫して優れていることが示された。

関連論文リスト

Score-based Source Separation with Applications to Digital Communication Signals [72.6570125649502]
拡散モデルを用いた重畳音源の分離手法を提案する。高周波(RF)システムへの応用によって、我々は、基礎となる離散的な性質を持つ情報源に興味を持っている。提案手法は,最近提案されたスコア蒸留サンプリング方式のマルチソース拡張と見なすことができる。
論文参考訳（メタデータ） (2023-06-26T04:12:40Z)
A Rigorous Link between Deep Ensembles and (Variational) Bayesian Methods [14.845158804951552]
ベイズ的,変分的ベイズ的,アンサンブル法の間の数学的に厳密な関係を確立した。技術的なレベルでは、ワッサーシュタインフローのレンズを通して一般化された変分推論に寄与する。
論文参考訳（メタデータ） (2023-05-24T11:13:59Z)
Classified as unknown: A novel Bayesian neural network [0.0]
完全連結ニューラルネットワークのための効率の良いベイズ学習アルゴリズムを開発した。多層パーセプトロンから多層パーセプトロンへの二元分類のための単一パーセプトロンのアルゴリズムを一般化する。
論文参考訳（メタデータ） (2023-01-31T04:27:09Z)
Gated recurrent units and temporal convolutional network for multilabel classification [122.84638446560663]
本研究は,マルチラベル分類を管理するための新しいアンサンブル手法を提案する。提案手法のコアは,Adamグラデーション最適化アプローチの変種で訓練された,ゲート再帰単位と時間畳み込みニューラルネットワークの組み合わせである。
論文参考訳（メタデータ） (2021-10-09T00:00:16Z)
MCDAL: Maximum Classifier Discrepancy for Active Learning [74.73133545019877]
近年の最先端のアクティブラーニング手法は, 主にGAN(Generative Adversarial Networks)をサンプル取得に活用している。本稿では,MCDAL(Maximum Discrepancy for Active Learning)と呼ぶ新しいアクティブラーニングフレームワークを提案する。特に,両者の差分を最大化することにより,より厳密な決定境界を学習する2つの補助的分類層を利用する。
論文参考訳（メタデータ） (2021-07-23T06:57:08Z)
Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文参考訳（メタデータ） (2020-11-18T16:40:45Z)
Towards Scalable Bayesian Learning of Causal DAGs [16.07721608349973]
我々は,有向非巡回グラフ,DAG,および受動的に観測された完全データから誘導された因果効果のベイズ推定法を提案する。我々の手法は最近のマルコフ連鎖モンテカルロスキームに基づいてベイジアンネットワークを学習する。本稿では,空間と時間要求を大幅に削減するアルゴリズム手法を提案する。
論文参考訳（メタデータ） (2020-09-30T08:46:46Z)
Gravitational-wave selection effects using neural-network classifiers [0.0]
我々は、コンパクトバイナリ・マージから重力波信号のLIGO/Virgo検出性を予測するために、一連のニューラルネットワーク分類器を訓練する。スピン沈降、高次モード、複数検出器の影響を含める。我々のアプローチは完全なパイプライン注入と併用できるので、天体物理学とノイズトリガーの実際の分布を重力波の人口分析に含めるための道を開くことができる。
論文参考訳（メタデータ） (2020-07-13T18:00:04Z)
Gaussian Mixture Reduction with Composite Transportation Divergence [15.687740538194413]
複合輸送分散(CTD)に基づく新しい最適化型GMR法を提案する。我々は,還元混合物を計算し,その理論的収束を確立するための最大化最小化アルゴリズムを開発した。統合されたフレームワークにより、CTDの最も適切なコスト関数を選択して、優れたパフォーマンスを実現することができる。
論文参考訳（メタデータ） (2020-02-19T19:52:17Z)
Clustering Binary Data by Application of Combinatorial Optimization Heuristics [52.77024349608834]
本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
論文参考訳（メタデータ） (2020-01-06T23:33:31Z)
Adaptive Correlated Monte Carlo for Contextual Categorical Sequence Generation [77.7420231319632]
我々は,モンテカルロ (MC) ロールアウトの集合を分散制御のために評価する政策勾配推定器に,カテゴリー列の文脈的生成を適用する。また,二分木ソフトマックスモデルに相関したMCロールアウトを用いることで,大語彙シナリオにおける高生成コストを低減できることを示す。
論文参考訳（メタデータ） (2019-12-31T03:01:55Z)

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。