論文の概要: Tracking Dynamic Gaussian Density with a Theoretically Optimal Sliding Window Approach

• arxiv url: http://arxiv.org/abs/2403.07207v1
• Date: Mon, 11 Mar 2024 23:21:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 23:22:56.142769
• Title: Tracking Dynamic Gaussian Density with a Theoretically Optimal Sliding Window Approach
• Title（参考訳）: 理論的に最適なスライディングウインドウアプローチによる動的ガウス密度の追跡
• Authors: Yinsong Wang, Yu Ding, Shahin Shahrampour
• Abstract要約: 我々は「すべり窓」カーネル密度推定器の正確な平均2乗誤差(MISE)について検討した。 合成データセットを用いて実験的なエビデンスを提示し、重み付け方式がトラッキング性能を向上させることを示す。
• 参考スコア（独自算出の注目度）: 16.45003200150227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dynamic density estimation is ubiquitous in many applications, including computer vision and signal processing. One popular method to tackle this problem is the "sliding window" kernel density estimator. There exist various implementations of this method that use heuristically defined weight sequences for the observed data. The weight sequence, however, is a key aspect of the estimator affecting the tracking performance significantly. In this work, we study the exact mean integrated squared error (MISE) of "sliding window" Gaussian Kernel Density Estimators for evolving Gaussian densities. We provide a principled guide for choosing the optimal weight sequence by theoretically characterizing the exact MISE, which can be formulated as constrained quadratic programming. We present empirical evidence with synthetic datasets to show that our weighting scheme indeed improves the tracking performance compared to heuristic approaches.
• Abstract（参考訳）: 動的密度推定はコンピュータビジョンや信号処理を含む多くのアプリケーションで広く使われている。 この問題に対処する一般的な方法の1つは「スライディングウインドウ」カーネル密度推定器である。 この手法には、観測データに対してヒューリスティックに定義された重み列を用いる様々な実装が存在する。 しかし、重み列は、追跡性能に大きな影響を及ぼす推定器の重要な側面である。 本研究では,gaussian kernel density estimator (sliding window) の正確な平均積分二乗誤差 (mise) について検討した。 制約付き二次計画法として定式化できる厳密なmiseを理論的に特徴付けることにより,最適重み列を選択するための原理ガイドを提供する。 我々は,合成データセットを用いて経験的証拠を示し,重み付け手法がヒューリスティックアプローチに比べて追跡性能が向上することを示す。

関連論文リスト

• Posterior Contraction Rates for Mat\'ern Gaussian Processes on Riemannian Manifolds [51.68005047958965]
  我々は,本質的なガウス過程が実際により優れた性能を発揮することを示す。 我々の研究は、データ効率の異なるレベルを区別するために、よりきめ細かい分析が必要であることを示している。
  論文  参考訳（メタデータ） (2023-09-19T20:30:58Z)
• AD-DMKDE: Anomaly Detection through Density Matrices and Fourier Features [0.0]
  この方法は、カーネル密度推定(KDE)の効率的な近似と見なすことができる。 提案手法を, 各種データセット上での11種類の最先端異常検出手法と体系的に比較した。
  論文  参考訳（メタデータ） (2022-10-26T15:43:16Z)
• Fast Kernel Density Estimation with Density Matrices and Random Fourier Features [0.0]
  カーネル密度推定 (KDE) は、最も広く使われている非パラメトリック密度推定法の一つである。 DMKDEは密度行列、量子力学的定式化、ランダムフーリエ特徴、明示的なカーネル近似を用いて密度推定を生成する。 DMKDEは、計算密度推定の競合と同等であり、高次元データ上で実行された場合の利点が示される。
  論文  参考訳（メタデータ） (2022-08-02T02:11:10Z)
• Learning Transfer Operators by Kernel Density Estimation [0.0]
  統計的密度推定の枠組みの中で問題を再検討する。 フロベニウス・ペロン作用素の固有ベクトルの推定におけるこのアプローチの有効性と有効性を示す。 この分野に他の密度推定手法を組み込む可能性を提案する。
  論文  参考訳（メタデータ） (2022-08-01T14:28:10Z)
• Quantum Adaptive Fourier Features for Neural Density Estimation [0.0]
  本稿では,カーネル密度推定の一種とみなすニューラル密度推定法を提案する。 この方法は密度行列、量子力学で使われる形式主義、適応フーリエ特徴に基づいている。 本手法は, 異なる合成および実データを用いて評価し, その性能を最先端のニューラル密度推定法と比較した。
  論文  参考訳（メタデータ） (2022-08-01T01:39:11Z)
• TAKDE: Temporal Adaptive Kernel Density Estimator for Real-Time Dynamic Density Estimation [16.45003200150227]
  時間適応型カーネル密度推定器(TAKDE)と命名する。 TAKDEは最悪のAMISEの点で理論的に最適である。 合成および実世界のデータセットを用いて数値実験を行い、TAKDEが他の最先端の動的密度推定器より優れていることを示す。
  論文  参考訳（メタデータ） (2022-03-15T23:38:32Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• Scalable Variational Gaussian Processes via Harmonic Kernel Decomposition [54.07797071198249]
  汎用性を維持しつつ高い忠実度近似を提供する,スケーラブルな変分ガウス過程近似を導入する。 様々な回帰問題や分類問題において,本手法は変換やリフレクションなどの入力空間対称性を活用できることを実証する。 提案手法は, 純粋なGPモデルのうち, CIFAR-10 の最先端化を実現する。
  論文  参考訳（メタデータ） (2021-06-10T18:17:57Z)
• Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box Optimization Framework [100.36569795440889]
  この作業は、一階情報を必要としない零次最適化(ZO)の反復である。 座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
  論文  参考訳（メタデータ） (2020-12-21T17:29:58Z)
• Nonparametric Density Estimation from Markov Chains [68.8204255655161]
  我々はマルコフ・チェインにインスパイアされた新しい非パラメトリック密度推定器を導入し、よく知られたケルネル密度推定器を一般化する。 我々の推定器は, 通常のものに対していくつかの利点を示し, 全密度アルゴリズムの基盤として容易に利用できる。
  論文  参考訳（メタデータ） (2020-09-08T18:33:42Z)
• Learning to Optimize Non-Rigid Tracking [54.94145312763044]
  我々は、堅牢性を改善し、解法収束を高速化するために学習可能な最適化を採用する。 まず、CNNを通じてエンドツーエンドに学習された深い特徴にアライメントデータ項を統合することにより、追跡対象をアップグレードする。 次に,プレコンディショニング手法と学習手法のギャップを,プレコンディショナを生成するためにトレーニングされたConditionNetを導入することで埋める。
  論文  参考訳（メタデータ） (2020-03-27T04:40:57Z)

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。