Fugu-MT 論文翻訳(概要): Design a Metric Robust to Complicated High Dimensional Noise for Efficient Manifold Denoising

論文の概要: Design a Metric Robust to Complicated High Dimensional Noise for Efficient Manifold Denoising

arxiv url: http://arxiv.org/abs/2401.03921v1
Date: Mon, 8 Jan 2024 14:30:47 GMT
ステータス: 処理完了
システム内更新日: 2024-01-09 16:05:55.848809
Title: Design a Metric Robust to Complicated High Dimensional Noise for Efficient Manifold Denoising
Title（参考訳）: 効率的なマニフォールドデノイングのための複雑な高次元雑音に対する計量ロバストの設計
Authors: Hau-Tieng Wu
Abstract要約: ランドマーク拡散と最適縮退に基づく効率的な多様体デノイザを提案する。高次元または低次元の部分空間を占有する多様体を埋め込まれた高周囲空間次元を含むいくつかのセットアップを扱うことは柔軟である。
参考スコア（独自算出の注目度）: 8.503001932363704
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this manuscript, we propose an efficient manifold denoiser based on landmark diffusion and optimal shrinkage under the complicated high dimensional noise and compact manifold setup. It is flexible to handle several setups, including the high ambient space dimension with a manifold embedding that occupies a subspace of high or low dimensions, and the noise could be colored and dependent. A systematic comparison with other existing algorithms on both simulated and real datasets is provided. This manuscript is mainly algorithmic and we report several existing tools and numerical results. Theoretical guarantees and more comparisons will be reported in the official paper of this manuscript.
Abstract（参考訳）: 本稿では,複雑な高次元雑音とコンパクトな多様体設定下でのランドマーク拡散と最適収縮に基づく効率的な多様体デノイザーを提案する。高次元または低次元の部分空間を占有する多様体を持つ高周囲空間次元を含むいくつかの設定を扱うのは柔軟であり、ノイズは色付けされ、依存することができる。シミュレーションと実データの両方で既存のアルゴリズムと体系的に比較する。本写本は主にアルゴリズムであり,いくつかの既存ツールと数値的な結果が報告されている。この写本の公式論文には、理論的保証とさらなる比較が報告される。

関連論文リスト

High-dimensional Learning with Noisy Labels [5.962184741057505]
本稿では,クラス条件付き雑音ラベルを用いた高次元二項分類に関する理論的知見を提供する。導出に基づいて,高次元のノイズラベル処理において,より効率の良い最適化手法を設計する。
論文参考訳（メタデータ） (2024-05-23T01:32:25Z)
An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-09-30T15:57:14Z)
Dataset Condensation with Latent Space Knowledge Factorization and Sharing [73.31614936678571]
与えられたデータセットの規則性を利用してデータセットの凝縮問題を解決する新しい手法を提案する。データセットを元の入力空間に直接凝縮するのではなく、学習可能な一連のコードでデータセットの生成プロセスを仮定する。提案手法は,様々なベンチマークデータセットに対して,有意なマージンで新しい最先端記録を達成できることを実験的に示す。
論文参考訳（メタデータ） (2022-08-21T18:14:08Z)
Inference and Sampling for Archimax Copulas [29.864637081333097]
アルキマックスコプラ(Archimax copulas)は、分布のバルクと尾の同時モデリングを可能にする正確な表現を持つ分布の族である。我々はArchimax copulasの表現に基づいて、非パラメトリック推論法とサンプリングアルゴリズムを開発した。実験により, 最先端密度モデリング手法と比較し, 提案手法は高次元データへのスケーリングにおいて, 尾部を効果的に外挿することを示した。
論文参考訳（メタデータ） (2022-05-27T14:55:40Z)
Learning Low-Dimensional Nonlinear Structures from High-Dimensional Noisy Data: An Integral Operator Approach [5.975670441166475]
本研究では,高次元および雑音観測から低次元非線形構造を学習するためのカーネルスペクトル埋め込みアルゴリズムを提案する。このアルゴリズムは、基礎となる多様体の事前の知識に依存しない適応的な帯域幅選択手順を用いる。得られた低次元埋め込みは、データ可視化、クラスタリング、予測などの下流目的にさらに活用することができる。
論文参考訳（メタデータ） (2022-02-28T22:46:34Z)
MANet: Improving Video Denoising with a Multi-Alignment Network [72.93429911044903]
本稿では,複数フローの提案とアテンションに基づく平均化を行うマルチアライメントネットワークを提案する。大規模ビデオデータセットを用いた実験により,本手法は調音ベースラインモデルを0.2dBで改善することを示した。
論文参考訳（メタデータ） (2022-02-20T00:52:07Z)
Manifold Topology Divergence: a Framework for Comparing Data Manifolds [109.0784952256104]
本研究では,深部生成モデルの評価を目的としたデータ多様体の比較フレームワークを開発する。クロスバーコードに基づき,manifold Topology Divergence score(MTop-Divergence)を導入する。 MTop-Divergenceは,様々なモードドロップ,モード内崩壊,モード発明,画像乱れを正確に検出する。
論文参考訳（メタデータ） (2021-06-08T00:30:43Z)
Learning Optical Flow from a Few Matches [67.83633948984954]
密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
論文参考訳（メタデータ） (2021-04-05T21:44:00Z)
LAAT: Locally Aligned Ant Technique for discovering multiple faint low dimensional structures of varying density [0.0]
多様体学習では、密度がノイズによって示されるものよりもかなり高い場合、背景雑音や構造に近いノイズを除去する解がいくつか示されている。本稿では,Antコロニー最適化のアイデアに基づいて,雑音の存在下で多様体点を抽出する新しい手法を提案する。既存のランダムウォーク解とは対照的に、我々の手法は多様体の主方向と局所的に一致した点を捉える。
論文参考訳（メタデータ） (2020-09-17T14:22:50Z)
NCVis: Noise Contrastive Approach for Scalable Visualization [79.44177623781043]
NCVisはノイズコントラスト推定の音響統計的基礎の上に構築された高性能次元減少法である。 NCVisは,他の手法の表現品質を保ちながら,速度の観点から最先端技術よりも優れていることを示す。
論文参考訳（メタデータ） (2020-01-30T15:43:50Z)
Manifold Fitting under Unbounded Noise [4.54773250519101]
出力多様体は、基底多様体上の射影点の接空間を直接推定することによって構成される。我々の新しい手法は、推定された多様体と基礎多様体の間の距離の上限という観点から、高い確率で理論収束を与える。
論文参考訳（メタデータ） (2019-09-23T08:55:41Z)

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。