論文の概要: Filtration learning in exact multi-parameter persistent homology and classification of time-series data

• arxiv url: http://arxiv.org/abs/2406.19587v2
• Date: Sun, 06 Oct 2024 06:53:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-08 13:10:36.599748
• Title: Filtration learning in exact multi-parameter persistent homology and classification of time-series data
• Title（参考訳）: 高精度多パラメータ持続ホモロジーにおけるフィルタリング学習と時系列データの分類
• Authors: Keunsu Kim, Jae-Hun Jung,
• Abstract要約: EMPHのフィルタ学習のためのフレームワークを提案する。 フィルタパラメータに対する損失関数の勾配の正確な式を導出する。
• 参考スコア（独自算出の注目度）: 3.193388094899312
• License:
• Abstract: To analyze the topological properties of the given discrete data, one needs to consider a continuous transform called filtration. Persistent homology serves as a tool to track changes of homology in the filtration. The outcome of the topological analysis of data varies depending on the choice of filtration, making the selection of filtration crucial. Filtration learning is an attempt to find an optimal filtration that minimizes the loss function. Exact Multi-parameter Persistent Homology (EMPH) has been recently proposed, particularly for topological time-series analysis, that utilizes the exact formula of rank invariant instead of calculating it. In this paper, we propose a framework for filtration learning of EMPH. We formulate an optimization problem and propose an algorithm for solving the problem. We then apply the proposed algorithm to several classification problems. Particularly, we derive the exact formula of the gradient of the loss function with respect to the filtration parameters, which makes it possible to directly update the filtration without using automatic differentiation, significantly enhancing the learning process.
• Abstract（参考訳）: 与えられた離散データの位相的性質を分析するには、フィルタと呼ばれる連続変換を考える必要がある。 永続ホモロジーは濾過におけるホモロジーの変化を追跡するツールとして機能する。 データのトポロジカル解析の結果は濾過の選択によって異なり、濾過の選択が重要となる。 濾過学習は損失関数を最小化する最適濾過を見つける試みである。 Exact Multi-parameter Persistent Homology (EMPH, Exact Multi-parameter Persistent Homology) が最近提案されている。 本稿では,EMPHのフィルタ学習のためのフレームワークを提案する。 最適化問題を定式化し、その問題を解決するアルゴリズムを提案する。 次に,提案アルゴリズムをいくつかの分類問題に適用する。 特に,フィルタパラメータに対する損失関数の勾配の正確な式を導出し,自動微分を用いることなくフィルタを直接更新し,学習過程を著しく向上させる。

関連論文リスト

• Learning Optimal Filters Using Variational Inference [0.3749861135832072]
  本稿では,パラメータ化解析マップを学習するためのフレームワークを提案する。 この手法は線形および非線形力学系をフィルタリングするゲイン行列の学習に利用できることを示す。 今後、このフレームワークを新しいフィルタリングアルゴリズムの学習に適用する予定である。
  論文  参考訳（メタデータ） (2024-06-26T04:51:14Z)
• Closed-form Filtering for Non-linear Systems [83.91296397912218]
  我々は密度近似と計算効率の面でいくつかの利点を提供するガウスPSDモデルに基づく新しいフィルタのクラスを提案する。 本研究では,遷移や観測がガウスPSDモデルである場合,フィルタリングを効率的にクローズド形式で行うことができることを示す。 提案する推定器は, 近似の精度に依存し, 遷移確率の正則性に適応する推定誤差を伴って, 高い理論的保証を享受する。
  論文  参考訳（メタデータ） (2024-02-15T08:51:49Z)
• Implicit Maximum a Posteriori Filtering via Adaptive Optimization [4.767884267554628]
  標準ベイズフィルタ問題を時間変化目標に対する最適化として検討する。 我々のフレームワークは、高次元システムに対して効率的で堅牢でスケーラブルなフィルタをもたらすことを示す。
  論文  参考訳（メタデータ） (2023-11-17T15:30:44Z)
• An Ensemble Score Filter for Tracking High-Dimensional Nonlinear Dynamical Systems [10.997994515823798]
  本研究では,高次元非線形フィルタ問題に対するアンサンブルスコアフィルタ(EnSF)を提案する。 ニューラルネットワークをトレーニングしてスコア関数を近似する既存の拡散モデルとは異なり、トレーニング不要スコア推定を開発する。 EnSFは、最先端のLocal Ensemble Transform Kalman Filter法と比較して、驚くべきパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2023-09-02T16:48:02Z)
• Adaptive Topological Feature via Persistent Homology: Filtration Learning for Point Clouds [13.098609653951893]
  ニューラルネットワークを用いてフィルタを適応的に学習するフレームワークを提案する。 フィルタ関数の有限次元近似に関する理論的結果を示し,提案したネットワークアーキテクチャを正当化する。
  論文  参考訳（メタデータ） (2023-07-18T13:43:53Z)
• Low-rank extended Kalman filtering for online learning of neural networks from streaming data [71.97861600347959]
  非定常データストリームから非線形関数のパラメータを推定するための効率的なオンライン近似ベイズ推定アルゴリズムを提案する。 この方法は拡張カルマンフィルタ (EKF) に基づいているが、新しい低ランク+斜角行列分解法を用いている。 変分推論に基づく手法とは対照的に,本手法は完全に決定論的であり,ステップサイズチューニングを必要としない。
  論文  参考訳（メタデータ） (2023-05-31T03:48:49Z)
• Computational Doob's h-transforms for Online Filtering of Discretely Observed Diffusions [65.74069050283998]
  本研究では,Doobの$h$-transformsを近似する計算フレームワークを提案する。 提案手法は、最先端粒子フィルタよりも桁違いに効率的である。
  論文  参考訳（メタデータ） (2022-06-07T15:03:05Z)
• Deep Learning for the Benes Filter [91.3755431537592]
  本研究では,メッシュのないニューラルネットワークによるベンズモデルの解の密度の表現に基づく新しい数値計算法を提案する。 ニューラルネットワークの領域選択におけるフィルタリングモデル方程式における非線形性の役割について論じる。
  論文  参考訳（メタデータ） (2022-03-09T14:08:38Z)
• Fourier Series Expansion Based Filter Parametrization for Equivariant Convolutions [73.33133942934018]
  2次元フィルタパラメトリゼーション技術は同変畳み込みの設計において重要な役割を果たす。 F-Convというフィルタパラメトリゼーション法に基づく新しい同変畳み込み法 F-Convは、画像超解像タスクにおいて、以前のフィルタパラメトリゼーション法よりも明らかに優れている。
  論文  参考訳（メタデータ） (2021-07-30T10:01:52Z)
• Stability to Deformations of Manifold Filters and Manifold Neural Networks [89.53585099149973]
  本論文は、多様体(M)畳み込みフィルタとニューラルネットワーク(NN)を定義し、研究する。 この論文の主な技術的貢献は、多様体の滑らかな変形に対する多様体フィルタとMNNの安定性を分析することである。
  論文  参考訳（メタデータ） (2021-06-07T15:41:03Z)

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。