論文の概要: TpopT: Efficient Trainable Template Optimization on Low-Dimensional
Manifolds
- arxiv url: http://arxiv.org/abs/2310.10039v1
- Date: Mon, 16 Oct 2023 03:51:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-18 01:48:24.746957
- Title: TpopT: Efficient Trainable Template Optimization on Low-Dimensional
Manifolds
- Title（参考訳）: tpopt:低次元多様体上の効率的な訓練可能なテンプレート最適化
- Authors: Jingkai Yan, Shiyu Wang, Xinyu Rain Wei, Jimmy Wang, Zsuzsanna
M\'arka, Szabolcs M\'arka, John Wright
- Abstract要約: テンプレートマッチングによって実証されたアプローチのファミリーは、密度の高いテンプレートバンクで検索空間をカバーすることを目的としている。
単純かつ高度に解釈可能であるが、信号空間の次元が不都合なスケーリングのため、計算効率の低下に悩まされる。
我々はTpopTを,高い解釈性を維持する低次元信号群を検出するための拡張性フレームワークとして検討した。
- 参考スコア（独自算出の注目度）: 5.608047449631387
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In scientific and engineering scenarios, a recurring task is the detection of
low-dimensional families of signals or patterns. A classic family of
approaches, exemplified by template matching, aims to cover the search space
with a dense template bank. While simple and highly interpretable, it suffers
from poor computational efficiency due to unfavorable scaling in the signal
space dimensionality. In this work, we study TpopT (TemPlate OPTimization) as
an alternative scalable framework for detecting low-dimensional families of
signals which maintains high interpretability. We provide a theoretical
analysis of the convergence of Riemannian gradient descent for TpopT, and prove
that it has a superior dimension scaling to covering. We also propose a
practical TpopT framework for nonparametric signal sets, which incorporates
techniques of embedding and kernel interpolation, and is further configurable
into a trainable network architecture by unrolled optimization. The proposed
trainable TpopT exhibits significantly improved efficiency-accuracy tradeoffs
for gravitational wave detection, where matched filtering is currently a method
of choice. We further illustrate the general applicability of this approach
with experiments on handwritten digit data.
- Abstract（参考訳）: 科学的・工学的なシナリオでは、繰り返し行われるタスクは、信号やパターンの低次元ファミリーの検出である。
テンプレートマッチングによって例示される古典的なアプローチのファミリは、検索スペースを密集したテンプレートバンクでカバーすることを目的としている。
単純かつ高度に解釈可能であるが、信号空間の次元が不利なスケーリングのために計算効率が低下する。
本研究では,TpopT(TemPlate OPTimization)を,高い解釈性を維持する低次元信号群を検出するための拡張性フレームワークとして検討する。
我々は、TpopT に対するリーマン勾配勾配の収束の理論解析を行い、それが被覆に優れた次元スケーリングを持つことを証明する。
また,非パラメトリック信号集合のための実用的TpopTフレームワークを提案する。これは埋め込みやカーネル補間を組み込んだもので,アンロール最適化によりトレーニング可能なネットワークアーキテクチャにさらに構成可能である。
提案したトレーニング可能なTpopTは、現在マッチングフィルタリングが選択されている重力波検出のための効率-精度トレードオフを著しく改善している。
さらに,手書きの数字データを用いた実験により,このアプローチの汎用性について述べる。
関連論文リスト
- On Statistical Rates and Provably Efficient Criteria of Latent Diffusion Transformers (DiTs) [12.810268045479992]
本研究では,DiTsスコア関数の普遍近似とサンプル複雑性について検討した。
我々は、潜伏型DiTが初期データの高次元性に関わる課題を回避できる可能性を示している。
論文 参考訳（メタデータ） (2024-07-01T08:34:40Z) - Diffusion Stochastic Optimization for Min-Max Problems [33.73046548872663]
楽観的勾配法はミニマックス最適化問題に対処するのに有用である。
従来のバージョンでは大きなバッチサイズが必要であり,Samevareps-generativeOGOGと呼ばれる新しい定式化を導入,解析する。
論文 参考訳（メタデータ） (2024-01-26T01:16:59Z) - Flow-based Distributionally Robust Optimization [23.232731771848883]
We present a framework, called $textttFlowDRO$, for solve flow-based distributionally robust optimization (DRO) problem with Wasserstein uncertainty set。
我々は、連続した最悪のケース分布(Last Favorable Distribution, LFD)とそれからのサンプルを見つけることを目指している。
本稿では、逆学習、分布論的に堅牢な仮説テスト、およびデータ駆動型分布摂動差分プライバシーの新しいメカニズムを実証する。
論文 参考訳（メタデータ） (2023-10-30T03:53:31Z) - Proximal Symmetric Non-negative Latent Factor Analysis: A Novel Approach
to Highly-Accurate Representation of Undirected Weighted Networks [2.1797442801107056]
Undirected Weighted Network (UWN) は、ビッグデータ関連のアプリケーションで一般的に見られる。
既存のモデルは本質対称性や低データ密度のモデル化に失敗する。
近軸対称非負の潜在因子分析モデルを提案する。
論文 参考訳（メタデータ） (2023-06-06T13:03:24Z) - Laplacian-based Cluster-Contractive t-SNE for High Dimensional Data
Visualization [20.43471678277403]
本稿では t-SNE に基づく新しいグラフベース次元削減手法 LaptSNE を提案する。
具体的には、LaptSNEはグラフラプラシアンの固有値情報を利用して、低次元埋め込みにおけるポテンシャルクラスタを縮小する。
ラプラシアン合成目的による最適化を考える際には、より広い関心を持つであろう勾配を解析的に計算する方法を示す。
論文 参考訳（メタデータ） (2022-07-25T14:10:24Z) - Truncated tensor Schatten p-norm based approach for spatiotemporal
traffic data imputation with complicated missing patterns [77.34726150561087]
本研究は, モード駆動繊維による3症例の欠失を含む, 4症例の欠失パターンについて紹介する。
本モデルでは, 目的関数の非性にもかかわらず, 乗算器の交互データ演算法を統合することにより, 最適解を導出する。
論文 参考訳（メタデータ） (2022-05-19T08:37:56Z) - Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。
DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
論文 参考訳（メタデータ） (2021-06-14T17:19:44Z) - Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。
分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
論文 参考訳（メタデータ） (2021-03-07T00:15:44Z) - Probabilistic Circuits for Variational Inference in Discrete Graphical
Models [101.28528515775842]
変分法による離散的グラフィカルモデルの推論は困難である。
エビデンス・ロウアーバウンド(ELBO)を推定するためのサンプリングに基づく多くの手法が提案されている。
Sum Product Networks (SPN) のような確率的回路モデルのトラクタビリティを活用する新しい手法を提案する。
選択的SPNが表現的変動分布として適していることを示し、対象モデルの対数密度が重み付けされた場合、対応するELBOを解析的に計算可能であることを示す。
論文 参考訳（メタデータ） (2020-10-22T05:04:38Z) - Understanding Implicit Regularization in Over-Parameterized Single Index
Model [55.41685740015095]
我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。
暗黙正則化現象の理論的保証を提供する。
論文 参考訳（メタデータ） (2020-07-16T13:27:47Z) - Supervised Learning for Non-Sequential Data: A Canonical Polyadic
Decomposition Approach [85.12934750565971]
特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。
この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。
表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
論文 参考訳（メタデータ） (2020-01-27T22:38:40Z)
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。