Fugu-MT 論文翻訳(概要): Learning optimal smooth invariant subspaces for data approximation

論文の概要: Learning optimal smooth invariant subspaces for data approximation

arxiv url: http://arxiv.org/abs/2311.12544v1
Date: Tue, 21 Nov 2023 11:49:13 GMT
ステータス: 処理完了
システム内更新日: 2023-11-23 00:51:51.408404
Title: Learning optimal smooth invariant subspaces for data approximation
Title（参考訳）: データ近似のための最適滑らか不変部分空間の学習
Authors: Davide Barbieri, Eugenio Hern\'andez, Carlos Cabrelli, Ursula Molter
Abstract要約: 本稿では、スムーズな関数の小さな集合から生成される不変部分空間により、有限集合のデータを近似する問題を考察する。本研究は,近似過程において格子が果たす基本的役割を解析する。
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: In this article, we consider the problem of approximating a finite set of data (usually huge in applications) by invariant subspaces generated through a small set of smooth functions. The invariance is either by translations under a full-rank lattice or through the action of crystallographic groups. Smoothness is ensured by stipulating that the generators belong to a Paley-Wiener space, that is selected in an optimal way based on the characteristics of the given data. To complete our investigation, we analyze the fundamental role played by the lattice in the process of approximation.
Abstract（参考訳）: 本稿では、スムーズな関数の小さな集合から生成される不変部分空間による有限集合(通常、アプリケーションにおいて巨大な)の近似問題を考える。この不変性はフルランク格子の下での翻訳か、結晶群の作用によるものである。与えられたデータの特徴に基づいて最適な方法で選択されたパリー・ウィーナー空間に属するジェネレータを規定することにより、平滑性を確保する。本研究は, 近似過程において格子が果たす基礎的役割を解析したものである。

関連論文リスト

Quiver Laplacians and Feature Selection [1.237454174824584]
本稿では,サブセットへの分解と互換性のある特徴を識別する手法について述べる。我々は、関連するクイバーラプラシアンの固有ベクトルが局所的およびグローバルに適合する特徴を得られることを示した。
論文参考訳（メタデータ） (2024-04-10T13:12:07Z)
Approximating a RUM from Distributions on k-Slates [88.32814292632675]
与えられた分布を平均で最もよく近似するRUMを求める一般化時間アルゴリズムを求める。我々の理論的結果は、実世界のデータセットに効果的でスケール可能なものを得るという、実践的な結果も得られます。
論文参考訳（メタデータ） (2023-05-22T17:43:34Z)
Random Smoothing Regularization in Kernel Gradient Descent Learning [24.383121157277007]
古典的ソボレフ空間に属する幅広い基底真理関数を適応的に学習できるランダムなスムーズな正規化のための枠組みを提案する。我々の推定器は、基礎となるデータの構造的仮定に適応し、次元の呪いを避けることができる。
論文参考訳（メタデータ） (2023-05-05T13:37:34Z)
Score-based Diffusion Models in Function Space [140.792362459734]
拡散モデルは、最近、生成モデリングの強力なフレームワークとして登場した。本稿では,関数空間における拡散モデルをトレーニングするためのDDO(Denoising Diffusion Operators)という,数学的に厳密なフレームワークを提案する。データ解像度に依存しない固定コストで、対応する離散化アルゴリズムが正確なサンプルを生成することを示す。
論文参考訳（メタデータ） (2023-02-14T23:50:53Z)
ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
論文参考訳（メタデータ） (2022-08-18T16:07:59Z)
Tensor Laplacian Regularized Low-Rank Representation for Non-uniformly Distributed Data Subspace Clustering [2.578242050187029]
低ランク表現(LRR)は、サブスペースクラスタリングにおけるデータポイントの局所性情報を破棄する。本稿では,隣接ノードの変動数を容易にし,データの局所性情報を組み込むハイパーグラフモデルを提案する。人工および実データを用いた実験により,提案手法の精度と精度が向上した。
論文参考訳（メタデータ） (2021-03-06T08:22:24Z)
On the minmax regret for statistical manifolds: the role of curvature [68.8204255655161]
2つの部分のコードと最小記述長は、最高のモデルを選別するための手順を提供するのに成功している。我々は、フィッシャー情報計量のスカラー曲率が支配的な役割を果たす複雑さによって与えられる標準表現よりも、よりシャープな表現を導出する。
論文参考訳（メタデータ） (2020-07-06T17:28:19Z)
Learning Inconsistent Preferences with Gaussian Processes [14.64963271587818]
我々は,Chuらによる優先的なガウス過程を再考し,潜在ユーティリティ関数の値を通じてデータ項目のランク付けを強制するモデル化の仮定に挑戦する。本稿では、より表現力のある遅延優先構造をデータ中に捉えることのできるpgpの一般化を提案する。実験結果から, ランキングビリティの侵害は, 現実の優先データにおいてユビキタスである可能性が示唆された。
論文参考訳（メタデータ） (2020-06-06T11:57:45Z)
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)
Optimally adaptive Bayesian spectral density estimation for stationary and nonstationary processes [0.0]
本稿では、ガウス過程を仮定した定常時系列および非定常時系列のスペクトル密度を推定する既存の方法を改善する。適切な固有分解を最適化することにより、簡単な周期構造と複雑な周期構造の両方でデータをより適切にモデル化する。
論文参考訳（メタデータ） (2020-03-04T23:35:57Z)
Support recovery and sup-norm convergence rates for sparse pivotal estimation [79.13844065776928]
高次元スパース回帰では、ピボット推定器は最適な正規化パラメータがノイズレベルに依存しない推定器である。非滑らかで滑らかな単一タスクとマルチタスク正方形ラッソ型推定器に対するミニマックス超ノルム収束率を示す。
論文参考訳（メタデータ） (2020-01-15T16:11:04Z)

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。