Fugu-MT 論文翻訳(概要): The Ensemble Epanechnikov Mixture Filter

論文の概要: The Ensemble Epanechnikov Mixture Filter

arxiv url: http://arxiv.org/abs/2408.11164v1
Date: Tue, 20 Aug 2024 19:50:59 GMT
ステータス: 処理完了
システム内更新日: 2024-08-22 21:16:53.871909
Title: The Ensemble Epanechnikov Mixture Filter
Title（参考訳）: エンサンブル・エパネチニコフ混合フィルタ
Authors: Andrey A. Popov, Renato Zanetti,
Abstract要約: 我々は、エンサンブル・エパネチニコフ混合フィルタ(EnEMF)と呼ばれる手法を用いて、逐次フィルタリングシナリオに対する最適エパネチニコフ混合核密度推定手法を用いる。また,EnEMFは40変量ローレンツ'96系における粒子毎の誤差を著しく低減することを示した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the high-dimensional setting, Gaussian mixture kernel density estimates become increasingly suboptimal. In this work we aim to show that it is practical to instead use the optimal multivariate Epanechnikov kernel. We make use of this optimal Epanechnikov mixture kernel density estimate for the sequential filtering scenario through what we term the ensemble Epanechnikov mixture filter (EnEMF). We provide a practical implementation of the EnEMF that is as cost efficient as the comparable ensemble Gaussian mixture filter. We show on a static example that the EnEMF is robust to growth in dimension, and also that the EnEMF has a significant reduction in error per particle on the 40-variable Lorenz '96 system.
Abstract（参考訳）: 高次元設定では、ガウス混合核密度推定はますます準最適になる。本研究では,最適多変量エパネチニコフカーネルを用いることが現実的であることを示す。我々は,エンサンブル・エパネチニコフ混合フィルタ (EnEMF) を用いて,この最適エパネチニコフ混合核密度推定法を逐次フィルタリングシナリオに適用する。本稿では,エンサンブルガウス混合フィルタに匹敵するコスト効率のよいEnEMFの実用的な実装を提案する。また,EnEMFは40変量ローレンツ'96系における粒子毎の誤差を著しく低減することを示した。

関連論文リスト

Adaptive Fuzzy C-Means with Graph Embedding [84.47075244116782]
ファジィクラスタリングアルゴリズムは、大まかに2つの主要なグループに分類できる: ファジィC平均法(FCM)と混合モデルに基づく方法。本稿では,FCMを用いたクラスタリングモデルを提案する。
論文参考訳（メタデータ） (2024-05-22T08:15:50Z)
Fast Semisupervised Unmixing Using Nonconvex Optimization [80.11512905623417]
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。
論文参考訳（メタデータ） (2024-01-23T10:07:41Z)
Deep Gaussian Mixture Ensembles [9.673093148930874]
この研究は、ディープガウス混合アンサンブル(DGME)と呼ばれる新しい確率的深層学習技術を導入している。 DGMEは、重み付き分布やマルチモーダル分布などの複雑な確率分布を近似することができる。実験の結果,DGMEは複雑な予測密度を扱う深層学習モデルにおいて,最先端の不確実性よりも優れていることが示された。
論文参考訳（メタデータ） (2023-06-12T16:53:38Z)
Sampling with Mollified Interaction Energy Descent [57.00583139477843]
モーフィファイド相互作用エネルギー降下(MIED)と呼ばれる新しい最適化に基づくサンプリング手法を提案する。 MIEDは、モル化相互作用エネルギー(MIE)と呼ばれる確率測度に関する新しいクラスのエネルギーを最小化する我々は,制約のないサンプリング問題に対して,我々のアルゴリズムがSVGDのような既存の粒子ベースアルゴリズムと同等に動作することを示す。
論文参考訳（メタデータ） (2022-10-24T16:54:18Z)
Training Compact CNNs for Image Classification using Dynamic-coded Filter Fusion [139.71852076031962]
動的符号化フィルタ融合(DCFF)と呼ばれる新しいフィルタプルーニング法を提案する。我々は、効率的な画像分類のために、計算経済的および正規化のない方法でコンパクトなCNNを導出する。我々のDCFFは、72.77MのFLOPと1.06Mのパラメータしか持たないコンパクトなVGGNet-16を導出し、トップ1の精度は93.47%に達した。
論文参考訳（メタデータ） (2021-07-14T18:07:38Z)
Fairly Constricted Multi-Objective Particle Swarm Optimization [0.0]
我々は、指数的平均運動量(EM)を組み込むことで、多目的最適化(MOO)解法(SMPSO)の状態を拡張した。提案手法は、ZDT, DTLZ, WFG問題スイート間でのSMPSOの性能に一致し、特定のインスタンスにおいてさらに優れる。
論文参考訳（メタデータ） (2021-04-10T14:39:59Z)
Plug-And-Play Learned Gaussian-mixture Approximate Message Passing [71.74028918819046]
そこで本研究では,従来のi.i.d.ソースに適した圧縮圧縮センシング(CS)リカバリアルゴリズムを提案する。我々のアルゴリズムは、Borgerdingの学習AMP(LAMP)に基づいて構築されるが、アルゴリズムに普遍的な復調関数を採用することにより、それを大幅に改善する。数値評価により,L-GM-AMPアルゴリズムは事前の知識を必要とせず,最先端の性能を実現する。
論文参考訳（メタデータ） (2020-11-18T16:40:45Z)
Ensemble Kalman Variational Objectives: Nonlinear Latent Trajectory Inference with A Hybrid of Variational Inference and Ensemble Kalman Filter [0.0]
状態空間モデル(SSM)を推論するために,Ensemble Kalman Variational Objective (EnKO)を提案する。提案手法は, 粒子の多様性と非バイアス勾配推定器により, 潜時力学を効率的に同定することができる。我々は,3つのベンチマーク非線形システム識別タスクにおいて,予測能力および粒子効率の観点から,EnKOがSMC法より優れていることを示す。
論文参考訳（メタデータ） (2020-10-17T07:01:06Z)
Innovative And Additive Outlier Robust Kalman Filtering With A Robust Particle Filter [68.8204255655161]
提案するCE-BASSは, 粒子混合カルマンフィルタであり, 革新的および付加的両方の外れ値に対して堅牢であり, 隠蔽状態の分布における多モード性を完全に捉えることができる。さらに、CE-BASSは過去の状態を再サンプリングすることで、トレンドの変化のような観測ですぐには見えない革新的な外れ値を扱うことができる。
論文参考訳（メタデータ） (2020-07-07T07:11:09Z)
Gaussian Mixture Reduction with Composite Transportation Divergence [15.687740538194413]
複合輸送分散(CTD)に基づく新しい最適化型GMR法を提案する。我々は,還元混合物を計算し,その理論的収束を確立するための最大化最小化アルゴリズムを開発した。統合されたフレームワークにより、CTDの最も適切なコスト関数を選択して、優れたパフォーマンスを実現することができる。
論文参考訳（メタデータ） (2020-02-19T19:52:17Z)

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。