論文の概要: Samplet basis pursuit
- arxiv url: http://arxiv.org/abs/2306.10180v2
- Date: Wed, 21 Jun 2023 05:31:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 16:45:54.909424
- Title: Samplet basis pursuit
- Title(参考訳): サンプルベース追跡
- Authors: Davide Baroli, Helmut Harbrecht, and Michael Multerer
- Abstract要約: 我々は,l1-regularizationによるサンプル座標のカーネルベース学習について検討する。
サンプルベースでスパース的に表現できる信号のクラスは、シングルスケールベースでスパース表現を示す信号のクラスよりもかなり大きい。
本稿では,複数のカーネルの辞書を用いて,ノイズデータから表面再構成や温度データの再構成を行うための数値ベンチマークと応用について述べる。
- 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 consider kernel-based learning in samplet coordinates with
l1-regularization. The application of an l1-regularization term enforces
sparsity of the coefficients with respect to the samplet basis. Therefore, we
call this approach samplet basis pursuit. Samplets are wavelet-type signed
measures, which are tailored to scattered data. They provide similar properties
as wavelets in terms of localization, multiresolution analysis, and data
compression. The class of signals that can sparsely be represented in a samplet
basis is considerably larger than the class of signals which exhibit a sparse
representation in the single-scale basis. In particular, every signal that can
be represented by the superposition of only a few features of the canonical
feature map is also sparse in samplet coordinates. We propose the efficient
solution of the problem under consideration by combining soft-shrinkage with
the semi-smooth Newton method and compare the approach to the fast iterative
shrinkage thresholding algorithm. We present numerical benchmarks as well as
applications to surface reconstruction from noisy data and to the
reconstruction of temperature data using a dictionary of multiple kernels.
- Abstract(参考訳): 我々は,l1-regularizationによるサンプル座標のカーネルベース学習を検討する。
l1正規化項の適用は、サンプル基底に関して係数のスパーシティを強制する。
したがって、このアプローチをサンプルベース追跡と呼ぶ。
サンプルはウェーブレット型の符号付き測度で、散布したデータに合わせて調整される。
ローカライズ、マルチレゾリューション分析、データ圧縮といった点でウェーブレットと似た特性を持つ。
サンプルベースでスパース的に表現できる信号のクラスは、シングルスケールベースでスパース表現を示す信号のクラスよりもかなり大きい。
特に、標準的特徴写像のいくつかの特徴の重ね合わせによって表現できる全ての信号は、サンプル座標においてもスパースである。
ソフト収縮と半平滑ニュートン法を組み合わせることで検討中の問題の効率的な解法を提案し, 高速反復収縮しきい値化アルゴリズムとの比較を行った。
本稿では,複数のカーネルの辞書を用いて,ノイズデータからの表面復元や温度データの再構成を行うための数値ベンチマークを行う。
関連論文リスト
- Gradient-Based Feature Learning under Structured Data [57.76552698981579]
異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。
バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。
特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
論文 参考訳(メタデータ) (2023-09-07T16:55:50Z) - Statistical Component Separation for Targeted Signal Recovery in Noisy
Mixtures [2.619794838436152]
統計的成分分離」問題は、雑音混合からターゲット信号の統計的記述子のセットを予め定義された状態に戻すことに焦点を当てている。
提案手法は,ほとんどの状況において,標準的なデノナイジング手法よりも,対象データのディスクリプタの回復性が高いことを示す。
我々は,この手法を,初期手法に新たな視点を与える拡散ステップワイズアルゴリズムを導入することで拡張する。
論文 参考訳(メタデータ) (2023-06-26T18:51:02Z) - Example-Based Sampling with Diffusion Models [7.943023838493658]
画像生成のための拡散モデルは、例から点集合を生成する方法を学ぶのに適している。
拡散モデルを用いて既存のサンプルを模した2次元点集合を観測点集合から生成する方法を提案する。
我々は、我々のアプローチの微分可能性を用いて、特性を強制する点集合を最適化する方法を実証する。
論文 参考訳(メタデータ) (2023-02-10T08:35:17Z) - One-Way Matching of Datasets with Low Rank Signals [4.582330307986793]
投影されたデータに対する線形代入は収束の速さを達成し、時にはこのタスクに対する最小値の最適性さえも達成できることを示す。
本稿では,2つの単一セルデータ例に対して,マッチング手法の実用化について述べる。
論文 参考訳(メタデータ) (2022-04-29T03:12:23Z) - Sensing Cox Processes via Posterior Sampling and Positive Bases [56.82162768921196]
本研究では,空間統計学から広く用いられている点過程の適応センシングについて検討する。
我々は、この強度関数を、特別に構築された正の基底で表される、歪んだガウス過程のサンプルとしてモデル化する。
我々の適応センシングアルゴリズムはランゲヴィン力学を用いており、後続サンプリング(textscCox-Thompson)と後続サンプリング(textscTop2)の原理に基づいている。
論文 参考訳(メタデータ) (2021-10-21T14:47:06Z) - Towards Sample-Optimal Compressive Phase Retrieval with Sparse and
Generative Priors [59.33977545294148]
O(k log L)$サンプルは振幅に基づく経験損失関数を最小化する任意のベクトルに信号が近いことを保証するのに十分であることを示す。
この結果はスパース位相検索に適応し、基底信号が$s$-sparseおよび$n$-dimensionalである場合、$O(s log n)$サンプルは同様の保証に十分であることを示す。
論文 参考訳(メタデータ) (2021-06-29T12:49:54Z) - Finding Geometric Models by Clustering in the Consensus Space [61.65661010039768]
本稿では,未知数の幾何学的モデル,例えばホモグラフィーを求めるアルゴリズムを提案する。
複数の幾何モデルを用いることで精度が向上するアプリケーションをいくつか提示する。
これには、複数の一般化されたホモグラフからのポーズ推定、高速移動物体の軌道推定が含まれる。
論文 参考訳(メタデータ) (2021-03-25T14:35:07Z) - Simultaneous Grouping and Denoising via Sparse Convex Wavelet Clustering [3.2116198597240846]
散在な凸ウェーブレットクラスタリングアプローチを開発し、同時にグループをノイズ化し、発見します。
本手法は、解釈性およびデータ圧縮の両方を改善する非ノイズ化(ウェーブレットスパース)クラスタセントロイドを生成する。
論文 参考訳(メタデータ) (2020-12-08T22:00:38Z) - Model identification and local linear convergence of coordinate descent [74.87531444344381]
循環座標降下は、幅広い種類の関数に対して有限時間でモデル同定を達成することを示す。
また、座標降下に対する局所収束速度を明示的に証明する。
論文 参考訳(メタデータ) (2020-10-22T16:03:19Z) - Spatially Adaptive Inference with Stochastic Feature Sampling and
Interpolation [72.40827239394565]
スパースサンプリングされた場所のみの機能を計算することを提案する。
次に、効率的な手順で特徴写像を密に再構築する。
提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
論文 参考訳(メタデータ) (2020-03-19T15:36:31Z) - Diversity sampling is an implicit regularization for kernel methods [13.136143245702915]
多様なランドマークを持つNystrのカーネルレグレッションにより,データセットのスペーサー領域におけるレグレッションの精度が向上することを示す。
正確な DPP サンプリングが現実的に実現不可能な場合, 大規模なデータセット内で大きなサイズのサンプルを選択するために, グリーディも提案されている。
論文 参考訳(メタデータ) (2020-02-20T08:24:42Z)
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。