論文の概要: Fast Semisupervised Unmixing Using Nonconvex Optimization

• arxiv url: http://arxiv.org/abs/2401.12609v2
• Date: Mon, 30 Sep 2024 09:10:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-01 22:00:38.610355
• Title: Fast Semisupervised Unmixing Using Nonconvex Optimization
• Title（参考訳）: 非凸最適化を用いた高速半教師付きアンミキシング
• Authors: Behnood Rasti, Alexandre Zouaoui, Julien Mairal, Jocelyn Chanussot,
• Abstract要約: 半/ライブラリベースのアンミックスのための新しい凸凸モデルを提案する。 スパース・アンミキシングの代替手法の有効性を実証する。
• 参考スコア（独自算出の注目度）: 80.11512905623417
• License:
• Abstract: In this paper, we introduce a novel linear model tailored for semisupervised/library-based unmixing. Our model incorporates considerations for library mismatch while enabling the enforcement of the abundance sum-to-one constraint (ASC). Unlike conventional sparse unmixing methods, this model involves nonconvex optimization, presenting significant computational challenges. We demonstrate the efficacy of Alternating Methods of Multipliers (ADMM) in cyclically solving these intricate problems. We propose two semisupervised unmixing approaches, each relying on distinct priors applied to the new model in addition to the ASC: sparsity prior and convexity constraint. Our experimental results validate that enforcing the convexity constraint outperforms the sparsity prior for the endmember library. These results are corroborated across three simulated datasets (accounting for spectral variability and varying pixel purity levels) and the Cuprite dataset. Additionally, our comparison with conventional sparse unmixing methods showcases considerable advantages of our proposed model, which entails nonconvex optimization. Notably, our implementations of the proposed algorithms-fast semisupervised unmixing (FaSUn) and sparse unmixing using soft-shrinkage (SUnS)-prove considerably more efficient than traditional sparse unmixing methods. SUnS and FaSUn were implemented using PyTorch and provided in a dedicated Python package called Fast Semisupervised Unmixing (FUnmix), which is open-source and available at https://github.com/BehnoodRasti/FUnmix
• Abstract（参考訳）: 本稿では,半教師付き/ライブラリベースのアンミックスに適した線形モデルを提案する。 本モデルでは,図書館ミスマッチに対する考察を取り入れつつ,ASC(Abundance sum-to-one constraint)の実施を可能にする。 従来のスパースアンミックス法とは異なり、このモデルは非凸最適化を伴い、重要な計算課題を提示する。 本稿では,これらの複雑な問題を循環的に解決する上で,ALMM(Alternating Methods of Multipliers)の有効性を示す。 提案手法は, ASC に加えて, ASC と 凸性制約 (convexity constraint) の2つに加えて, 新しいモデルに適用された異なる事前条件に依存する半教師付きアンミキシング手法を提案する。 実験の結果, 凸性制約の実施は, 終末図書館の空間性よりも優れていたことが確認された。 これらの結果は、3つのシミュレーションデータセット(スペクトル変動率と画素純度レベルの変化)とCuupriteデータセットの間で相関する。 さらに,従来のスパース・アンミックス法との比較により,非凸最適化を伴うモデルの有効性が示された。 特に,提案したアルゴリズム高速半教師付きアンミックス法(FaSUn)とソフトシュリンカジ法(SUnS)を用いたスパースアンミックス法(スパースアンミックス法)の実装は,従来のスパースアンミックス法よりもはるかに効率的である。 SUnSとFaSUnはPyTorchを使って実装され、Fast Semisupervised Unmixing (FUnmix)と呼ばれる専用のPythonパッケージで提供されている。

関連論文リスト

• Gaussian Mixture Solvers for Diffusion Models [84.83349474361204]
  本稿では,拡散モデルのためのGMSと呼ばれる,SDEに基づく新しい解法について紹介する。 画像生成およびストロークベース合成におけるサンプル品質の観点から,SDEに基づく多くの解法よりも優れる。
  論文  参考訳（メタデータ） (2023-11-02T02:05:38Z)
• AMPLIFY:Attention-based Mixup for Performance Improvement and Label Smoothing in Transformer [2.3072402651280517]
  AMPLIFYはTransformer自体のアテンション機構を使用して、元のサンプルのノイズや異常値が予測結果に与える影響を低減する。 実験の結果,AMPLIFYは計算資源のコストが小さく,テキスト分類作業において他の混合手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2023-09-22T08:02:45Z)
• SUnAA: Sparse Unmixing using Archetypal Analysis [62.997667081978825]
  本稿では, 古細菌スパルス解析(SUnAA)を用いた新しい地質学的エラーマップ手法を提案する。 まず,古細菌スパース解析(SunAA)に基づく新しいモデルの設計を行う。
  論文  参考訳（メタデータ） (2023-08-09T07:58:33Z)
• Bayesian Pseudo-Coresets via Contrastive Divergence [5.479797073162603]
  対照的な発散を利用して擬似コアセットを構築するための新しい手法を提案する。 これは擬似コアセット構築プロセスにおける近似の必要性を排除する。 複数のデータセットに対して広範な実験を行い、既存のBPC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） (2023-03-20T17:13:50Z)
• A distribution-free mixed-integer optimization approach to hierarchical modelling of clustered and longitudinal data [0.0]
  我々は,新しいデータポイントに対するクラスタ効果を評価する革新的なアルゴリズムを導入し,このモデルのロバスト性や精度を高める。 このアプローチの推論的および予測的効果は、学生のスコアリングとタンパク質発現に適用することでさらに説明される。
  論文  参考訳（メタデータ） (2023-02-06T23:34:51Z)
• A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
  本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。 楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。 合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T10:01:37Z)
• Stochastic Projective Splitting: Solving Saddle-Point Problems with Multiple Regularizers [4.568911586155097]
  本稿では、包含問題に対する単調アルゴリズムの射影分割(PS)系列の新たな変種について述べる。 勾配降下上昇に伴う収束問題なしに、ロバストMLのような応用で生じるmin-maxおよび非協調ゲーム定式化を解くことができる。
  論文  参考訳（メタデータ） (2021-06-24T14:48:43Z)
• On Stochastic Moving-Average Estimators for Non-Convex Optimization [105.22760323075008]
  本稿では,移動平均(SEMA)問題に基づく広く利用されている推定器のパワーを実証する。 これらすべてのアートな結果に対して、これらのアートな問題に対する結果も提示します。
  論文  参考訳（メタデータ） (2021-04-30T08:50:24Z)
• An Adaptive EM Accelerator for Unsupervised Learning of Gaussian Mixture Models [0.7340845393655052]
  教師なし学習のための適応予測最大化(EM)アルゴリズムのためのAnderson Accelerationスキームを提案する。 提案アルゴリズムは、最適混合成分数を自律的に決定することができ、非加速バージョンよりもはるかに高速に最適解に収束する。
  論文  参考訳（メタデータ） (2020-09-26T22:55:44Z)
• Clustering Binary Data by Application of Combinatorial Optimization Heuristics [52.77024349608834]
  本稿では,2値データのクラスタリング手法について検討し,まず,クラスタのコンパクトさを計測するアグリゲーション基準を定義した。 近隣地域と人口動態最適化メタヒューリスティックスを用いた5つの新しいオリジナル手法が導入された。 準モンテカルロ実験によって生成された16のデータテーブルから、L1の相似性と階層的クラスタリング、k-means(メドイドやPAM)の1つのアグリゲーションの比較を行う。
  論文  参考訳（メタデータ） (2020-01-06T23:33:31Z)

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。