論文の概要: Localization from structured distance matrices via low-rank matrix recovery
- arxiv url: http://arxiv.org/abs/2311.18076v2
- Date: Tue, 30 Jul 2024 22:54:45 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-01 13:37:09.221166
- Title: Localization from structured distance matrices via low-rank matrix recovery
- Title(参考訳): 低ランク行列回復による構造的距離行列からの局所化
- Authors: Samuel Lichtenberg, Abiy Tasissa,
- Abstract要約: アンカーノードと呼ばれる$m$ノードへの距離を用いて,$n$ポイントの設定を決定する問題について検討する。
1つのサンプリングスキームは、アンカーとアンカーと$n$ポイントの間の既知の距離を仮定するナイストロームサンプリングである。
我々はNystromサンプリングの修正版を提案し、各ノードから1つの中央ノードまでの距離が知られているが、他のすべての距離は不完全である。
- 参考スコア(独自算出の注目度): 3.069335774032178
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We study the problem of determining the configuration of $n$ points by using their distances to $m$ nodes, referred to as anchor nodes. One sampling scheme is Nystrom sampling, which assumes known distances between the anchors and between the anchors and the $n$ points, while the distances among the $n$ points are unknown. For this scheme, a simple adaptation of the Nystrom method, which is often used for kernel approximation, is a viable technique to estimate the configuration of the anchors and the $n$ points. In this manuscript, we propose a modified version of Nystrom sampling, where the distances from every node to one central node are known, but all other distances are incomplete. In this setting, the standard Nystrom approach is not applicable, necessitating an alternative technique to estimate the configuration of the anchors and the $n$ points. We show that this problem can be framed as the recovery of a low-rank submatrix of a Gram matrix. Using synthetic and real data, we demonstrate that the proposed approach can exactly recover configurations of points given sufficient distance samples. This underscores that, in contrast to methods that rely on global sampling of distance matrices, the task of estimating the configuration of points can be done efficiently via structured sampling with well-chosen reliable anchors. Finally, our main analysis is grounded in a specific centering of the points. With this in mind, we extend previous work in Euclidean distance geometry by providing a general dual basis approach for points centered anywhere.
- Abstract(参考訳): アンカーノードと呼ばれる$m$ノードへの距離を用いて,$n$ポイントの設定を決定する問題について検討する。
1つのサンプリングスキームはナイストロームサンプリングであり、アンカーとアンカーと$n$ポイントの間の既知の距離を仮定するが、$n$ポイント間の距離は未知である。
このスキームでは、カーネル近似によく用いられるナイストローム法の簡単な適応は、アンカーと$n$ポイントの設定を推定する実行可能な手法である。
本稿では,各ノードから1つの中央ノードまでの距離が知られているが,他のすべての距離が不完全であるNystromサンプリングの修正版を提案する。
この設定では、標準的なナイストロームのアプローチは適用不可能であり、アンカーと$n$ポイントの設定を見積もる別の手法を必要とする。
この問題は、グラム行列の低ランク部分行列の回復として表すことができる。
合成データと実データを用いて,提案手法が十分な距離サンプルを与えられた点の構成を正確に復元できることを実証した。
このことは、距離行列を大域的にサンプリングする手法とは対照的に、ポイントの設定を推定するタスクは、信頼度の高いアンカーを用いた構造化サンプリングによって効率的に行うことができることを示している。
最後に、我々の主な分析は、ポイントの特定の中心にある。
このことを念頭にして、ユークリッド距離幾何学における以前の研究を、どこでも中心とする点に対する一般的な双対基底的アプローチを提供することによって拡張する。
関連論文リスト
- Vanishing Point Estimation in Uncalibrated Images with Prior Gravity
Direction [82.72686460985297]
我々はマンハッタンのフレームを推定する問題に取り組む。
2つの新しい2行解法が導出され、そのうちの1つは既存の解法に影響を与える特異点に悩まされない。
また、局所最適化の性能を高めるために、任意の行で実行される新しい最小でないメソッドを設計する。
論文 参考訳(メタデータ) (2023-08-21T13:03:25Z) - A dual basis approach to multidimensional scaling: spectral analysis and
graph regularity [2.28438857884398]
古典的多次元スケーリング(英語版)(CMDS)は、ユークリッド距離行列からユークリッド空間に対象の集合を埋め込むことを目的とした技法である。
CMDS の中心的な結果は、平方ユークリッド行列を点の集合から導かれるグラム行列に接続する。
双対基底の明示的な公式を与え、双対基底フレームワークにおける本質行列のスペクトルを完全に特徴づける。
論文 参考訳(メタデータ) (2023-03-10T03:20:03Z) - GeoUDF: Surface Reconstruction from 3D Point Clouds via Geometry-guided
Distance Representation [73.77505964222632]
スパース点雲から離散曲面を再構成する問題に対処する学習ベース手法であるGeoUDFを提案する。
具体的には、UDFのための幾何誘導学習法とその勾配推定を提案する。
予測されたUDFから三角形メッシュを抽出するために,カスタマイズされたエッジベースマーチングキューブモジュールを提案する。
論文 参考訳(メタデータ) (2022-11-30T06:02:01Z) - Probing the geometry of correlation matrices with randomized
measurements [0.0]
二部量子状態の一般化されたブロッホ分解は、特異値が状態の非局所的性質に関する豊富な情報を与える相関行列をもたらす。
我々は、限定シュミット数の相関行列の特異値の幾何についてより深い洞察を与える。
論文 参考訳(メタデータ) (2022-11-17T15:59:59Z) - Shape And Structure Preserving Differential Privacy [70.08490462870144]
正方形距離関数の勾配がラプラス機構よりも感度をよりよく制御できることを示す。
また,2乗距離関数の勾配を用いることで,ラプラス機構よりも感度を制御できることを示す。
論文 参考訳(メタデータ) (2022-09-21T18:14:38Z) - PCAM: Product of Cross-Attention Matrices for Rigid Registration of
Point Clouds [79.99653758293277]
PCAMは、キー要素がクロスアテンション行列のポイントワイズ積であるニューラルネットワークである。
そこで本研究では,PCAMがステップ(a)とステップ(b)をディープネットを介して共同で解決する手法によって,最先端の成果が得られることを示す。
論文 参考訳(メタデータ) (2021-10-04T09:23:27Z) - Matrix factorisation and the interpretation of geodesic distance [6.445605125467574]
グラフや類似性行列が与えられた場合、ノード間の真の距離の概念を回復する問題を考察する。
行列の分解と非線形次元の減少という2つのステップで達成できることが示される。
論文 参考訳(メタデータ) (2021-06-02T16:11:33Z) - Target space entanglement in Matrix Models [1.160208922584163]
平面交絡面によって分離されたD-ブレーン群間の絡み合いのモデルとして,ゲージ付きマルチ行列モデルのターゲット空間絡みについて検討した。
行列モデル問題を、全格子あるいは全格子上の$U(1)$ゲージ理論の絡み合いにマッピングする。
対象空間の絡み合う表面を横切る開弦に対応する行列要素は、絡み合いエントロピーに興味深い寄与をもたらす。
論文 参考訳(メタデータ) (2020-12-31T16:09:55Z) - node2coords: Graph Representation Learning with Wasserstein Barycenters [59.07120857271367]
グラフの表現学習アルゴリズムである node2coords を導入する。
低次元空間を同時に学習し、その空間内のノードを座標する。
実験の結果,node2coordで学習した表現は解釈可能であることがわかった。
論文 参考訳(メタデータ) (2020-07-31T13:14:25Z) - Robust 6D Object Pose Estimation by Learning RGB-D Features [59.580366107770764]
本稿では、この局所最適問題を解くために、回転回帰のための離散連続的な新しい定式化を提案する。
我々はSO(3)の回転アンカーを均一にサンプリングし、各アンカーから目標への制約付き偏差を予測し、最適な予測を選択するための不確実性スコアを出力する。
LINEMOD と YCB-Video の2つのベンチマーク実験により,提案手法が最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2020-02-29T06:24:55Z) - Learning Flat Latent Manifolds with VAEs [16.725880610265378]
本稿では、ユークリッド計量がデータポイント間の類似性のプロキシとなる変分自動エンコーダのフレームワークの拡張を提案する。
我々は、変分オートエンコーダで一般的に使用されるコンパクトな以前のものを、最近発表されたより表現力のある階層型に置き換える。
提案手法は,ビデオ追跡ベンチマークを含む,さまざまなデータセットを用いて評価する。
論文 参考訳(メタデータ) (2020-02-12T09:54:52Z)
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。