論文の概要: Higher-Order Group Synchronization
- arxiv url: http://arxiv.org/abs/2505.21932v2
- Date: Wed, 04 Jun 2025 23:10:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-06 14:14:43.110496
- Title: Higher-Order Group Synchronization
- Title（参考訳）: 高次群同期
- Authors: Adriana L. Duncan, Joe Kileel,
- Abstract要約: グループ同期は、ネットワーク上のノイズの多い局所的な測定から信頼性の高いグローバル推定を決定する問題である。
ハイパーグラフ上で動作する新しい高階群同期問題を導入する。
数値実験により,本手法の潜在的な利点を示す。
- 参考スコア（独自算出の注目度）: 3.376269351435396
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Group synchronization is the problem of determining reliable global estimates from noisy local measurements on networks. The typical task for group synchronization is to assign elements of a group to the nodes of a graph in a way that respects group elements given on the edges which encode information about local pairwise relationships between the nodes. In this paper, we introduce a novel higher-order group synchronization problem which operates on a hypergraph and seeks to synchronize higher-order local measurements on the hyperedges to obtain global estimates on the nodes. Higher-order group synchronization is motivated by applications to computer vision and image processing, among other computational problems. First, we define the problem of higher-order group synchronization and discuss its mathematical foundations. Specifically, we give necessary and sufficient synchronizability conditions which establish the importance of cycle consistency in higher-order group synchronization. Then, we propose the first computational framework for general higher-order group synchronization; it acts globally and directly on higher-order measurements using a message passing algorithm. We discuss theoretical guarantees for our framework, including convergence analyses under outliers and noise. Finally, we show potential advantages of our method through numerical experiments. In particular, we show that in certain cases our higher-order method applied to rotational and angular synchronization outperforms standard pairwise synchronization methods and is more robust to outliers. We also show that our method has comparable performance on simulated cryo-electron microscopy (cryo-EM) data compared to a standard cryo-EM reconstruction package.
- Abstract（参考訳）: グループ同期は、ネットワーク上のノイズの多い局所的な測定から信頼性の高いグローバル推定を決定する問題である。
グループ同期の典型的なタスクは、ノード間の局所的なペア関係に関する情報を符号化するエッジに与えられたグループ要素を尊重する方法で、グループの要素をグラフのノードに割り当てることである。
本稿では,ハイパーグラフ上で動作し,ハイパーエッジ上での高次局所測定を同期化してノードのグローバルな推定値を求める,新しい高次グループ同期問題を提案する。
高次のグループ同期は、コンピュータビジョンや画像処理、その他の計算問題への応用によって動機付けられている。
まず,高階群同期の問題を定義し,その数学的基礎について議論する。
具体的には、高次群同期におけるサイクル整合性の重要性を立証する必要十分かつ十分な同期性条件を与える。
そこで本研究では, メッセージパッシングアルゴリズムを用いて, グローバルかつ直接, 上位測定に作用する, 一般的な高次グループ同期のための最初の計算フレームワークを提案する。
我々は,外周および騒音下での収束解析を含む,我々の枠組みの理論的保証について議論する。
最後に, 数値実験により, 提案手法の潜在的な利点を示す。
特に、回転同期や角同期に適用される高階法は、標準的なペア同期法よりも優れており、外れ値に対してより堅牢であることを示す。
また, 本手法は, 模擬低温電子顕微鏡(cryo-EM)データに対して, 標準的なCryo-EM再構成パッケージと同等の性能を示した。
関連論文リスト
- HeNCler: Node Clustering in Heterophilous Graphs through Learned Asymmetric Similarity [55.27586970082595]
HeNClerは、Heterophilous Node Clusteringの新しいアプローチである。
HeNClerは異種グラフコンテキストにおけるノードクラスタリングタスクの性能を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2024-05-27T11:04:05Z) - Federated Contextual Cascading Bandits with Asynchronous Communication
and Heterogeneous Users [95.77678166036561]
繊細な通信プロトコルを用いたUPB型アルゴリズムを提案する。
同期フレームワークで達成されたものと同等のサブ線形後悔境界を与えます。
合成および実世界のデータセットに関する実証評価は、後悔と通信コストの観点から、我々のアルゴリズムの優れた性能を検証する。
論文 参考訳（メタデータ） (2024-02-26T05:31:14Z) - Robust Angular Synchronization via Directed Graph Neural Networks [22.343880231555463]
GNNSyncは、有向グラフニューラルネットワークを用いた理論的に座屈したエンドツーエンドのトレーニング可能なフレームワークである。
GNNSyncは、角同期問題に対する総合的なベースラインセットに対して、競争力があり、しばしば優位に立つ。
論文 参考訳（メタデータ） (2023-10-09T16:37:19Z) - Towards Understanding the Generalizability of Delayed Stochastic Gradient Descent [63.43247232708004]
非同期で実行される勾配降下は、大規模機械学習モデルのトレーニングにおいて重要な役割を果たす。
既存の一般化誤差境界は悲観的であり、非同期遅延と一般化の相関を明らかにすることはできない。
我々の理論的結果は、非同期遅延は遅延SGDアルゴリズムの一般化誤差を低減することを示唆している。
論文 参考訳（メタデータ） (2023-08-18T10:00:27Z) - Self-Supervised Temporal Graph learning with Temporal and Structural Intensity Alignment [53.72873672076391]
時間グラフ学習は、動的情報を用いたグラフベースのタスクのための高品質な表現を生成することを目的としている。
本稿では,時間的および構造的情報の両方を抽出する時間的グラフ学習のためのS2Tという自己教師型手法を提案する。
S2Tは、いくつかのデータセットにおける最先端の競合と比較して、少なくとも10.13%のパフォーマンス改善を実現している。
論文 参考訳（メタデータ） (2023-02-15T06:36:04Z) - Unrolled algorithms for group synchronization [7.969977930633441]
群同期問題は、そのペア比のノイズ測定から群要素の集合を推定することを含む。
群要素を推定する標準的な方法は、線形および非線形作用素を反復的に適用することに基づいている。
深層ニューラルネットワークと構造的類似性により、我々はアルゴリズムのアンロールの概念を採用した。
論文 参考訳（メタデータ） (2022-07-19T17:25:56Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳（メタデータ） (2022-04-13T15:54:35Z) - Orthogonal Group Synchronization with Incomplete Measurements: Error
Bounds and Linear Convergence of the Generalized Power Method [22.901235010786287]
群同期とは、雑音の対の測度から群要素の集合を推定することを指す。
本稿では,不完全な測定条件下での一般付加音モデルを用いたグループ同期問題に焦点をあてる。
論文 参考訳（メタデータ） (2021-12-13T10:57:09Z) - Sparse Quadratic Optimisation over the Stiefel Manifold with Application
to Permutation Synchronisation [71.27989298860481]
二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。
そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-30T19:17:35Z) - A Unified Approach to Synchronization Problems over Subgroups of the
Orthogonal Group [29.714239628405515]
群が閉部分群である同期問題のクラスを考える。
このような問題を解くための統一的なアプローチを提案する。
私たちのアプローチは既存のアプローチよりも優れています。
論文 参考訳（メタデータ） (2020-09-16T07:25:50Z) - Near-Optimal Performance Bounds for Orthogonal and Permutation Group
Synchronization via Spectral Methods [0.7614628596146599]
グループ同期は、それぞれの測定値からグループ要素を復元することを要求する。
スペクトル法は 効率と利便性で 大人気でした
ランダムな乱れの下での置換群同期では、広く使われている2段階の手順がすべての群要素を正確に復元できることが示される。
論文 参考訳（メタデータ） (2020-08-12T14:20:16Z) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳（メタデータ） (2020-04-01T13:39:37Z)
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。