論文の概要: Robust variable selection for spatial point processes observed with noise
- arxiv url: http://arxiv.org/abs/2510.25550v1
- Date: Wed, 29 Oct 2025 14:18:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-30 15:50:45.70112
- Title: Robust variable selection for spatial point processes observed with noise
- Title（参考訳）: 雑音で観測された空間的点過程に対するロバスト変数選択
- Authors: Dominik Sturm, Ivo F. Sbalzarini,
- Abstract要約: そこで本稿では,疎度プロモーティング推定とノイズロバストモデル選択を組み合わせた点過程の強度関数における変数選択を提案する。
本研究では,様々なノイズシナリオ下で真の空間的コスを確実に回復し,両方の選択安定性を向上することを示す。
これは雑音下でのポイントプロセスモデルにおけるロバストな変数選択のための体系的なフレームワークを提供する手法の実用性を示している。
- 参考スコア（独自算出の注目度）: 1.8047694351309207
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a method for variable selection in the intensity function of spatial point processes that combines sparsity-promoting estimation with noise-robust model selection. As high-resolution spatial data becomes increasingly available through remote sensing and automated image analysis, identifying spatial covariates that influence the localization of events is crucial to understand the underlying mechanism. However, results from automated acquisition techniques are often noisy, for example due to measurement uncertainties or detection errors, which leads to spurious displacements and missed events. We study the impact of such noise on sparse point-process estimation across different models, including Poisson and Thomas processes. To improve noise robustness, we propose to use stability selection based on point-process subsampling and to incorporate a non-convex best-subset penalty to enhance model-selection performance. In extensive simulations, we demonstrate that such an approach reliably recovers true covariates under diverse noise scenarios and improves both selection accuracy and stability. We then apply the proposed method to a forestry data set, analyzing the distribution of trees in relation to elevation and soil nutrients in a tropical rain forest. This shows the practical utility of the method, which provides a systematic framework for robust variable selection in spatial point-process models under noise, without requiring additional knowledge of the process.
- Abstract（参考訳）: 本稿では,空間点過程の強度関数の変動選択法を提案する。
リモートセンシングと自動画像解析によって高解像度空間データが利用可能になるにつれて、事象の局所化に影響を与える空間的共変量を特定することは、その基盤となるメカニズムを理解する上で重要である。
しかし、自動取得技術の結果は、例えば不確実性の測定や検出エラーによってしばしばうるさくなり、急激な変位やイベントの欠落につながる。
本研究では,ポアソン過程やトーマス過程を含む様々なモデルにおいて,そのようなノイズがスパース点過程推定に与える影響について検討する。
雑音の頑健性を向上させるため,ポイントプロセスのサブサンプリングに基づく安定性の選択と,非凸ベストサブセットペナルティを組み込んでモデル選択性能を向上させることを提案する。
広範にわたるシミュレーションにおいて、このような手法は様々なノイズシナリオ下で真の共変を確実に回復し、選択精度と安定性の両方を改善することを実証する。
次に, 熱帯雨林における樹木の標高と土壌の栄養分との関係を解析し, 本手法を林業データセットに適用した。
この手法は,雑音下での空間的点過程モデルにおけるロバストな変数選択のための体系的なフレームワークを,その過程に関する追加の知識を必要とせずに提供する。
関連論文リスト
- Noise-Robust Tiny Object Localization with Flows [63.60972031108944]
フレキシブルなエラーモデリングと不確実性誘導最適化に正規化フローを活用するノイズローバストローカライゼーションフレームワークを提案する。
本手法は,フローベース誤差モデルを用いて,複雑な非ガウス予測分布を抽出し,ノイズの多い監視下で頑健な学習を可能にする。
不確実性を考慮した勾配変調機構は、トレーニングを安定化しながら過度な適合を緩和し、高不確実でノイズの強いサンプルからの学習をさらに抑制する。
論文 参考訳（メタデータ） (2026-01-02T09:16:55Z) - Diffusion Models for Solving Inverse Problems via Posterior Sampling with Piecewise Guidance [52.705112811734566]
断片的なガイダンススキームを用いて,逆問題を解決するための新しい拡散型フレームワークが導入された。
提案手法は問題に依存しず,様々な逆問題に容易に適応できる。
このフレームワークは, (4時間), (8時間) の超分解能タスクに対して, (23%), (24%) および (24%) の無作為マスクを塗布する場合の (25%) の推論時間を短縮する。
論文 参考訳（メタデータ） (2025-07-22T19:35:14Z) - Efficient Deconvolution in Populational Inverse Problems [6.1048542188987085]
この研究は、関心のパラメータよりも分布を推定し、複数の観測セットにつながる逆タスクに焦点を当てている。
このような分散反転問題を解決する可能性はデータの可用性の向上によってもたらされるが、大きな障害はブラインド・デコンボリューションである。
本研究では,同じ物理過程の異なるインスタンス化から収集した大規模な観測データを活用する手法を提案する。
論文 参考訳（メタデータ） (2025-05-26T11:25:46Z) - Divide and Conquer: Heterogeneous Noise Integration for Diffusion-based Adversarial Purification [75.09791002021947]
既存の浄化法は,前向き拡散過程を通じて一定のノイズを発生させ,その後に逆の処理を行い,クリーンな例を回復させることによって,対向的摂動を妨害することを目的としている。
この方法は、前処理の均一な操作が、対向的摂動と闘いながら通常のピクセルを損なうため、根本的な欠陥がある。
ニューラルネットワークの解釈可能性に基づく異種浄化戦略を提案する。
本手法は,被写体モデルが注目する特定の画素に対して高強度雑音を決定的に印加する一方,残りの画素は低強度雑音のみを被写体とする。
論文 参考訳（メタデータ） (2025-03-03T11:00:25Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - Feature Selection Based on Wasserstein Distance [1.450405446885067]
本稿では,ワッサースタイン距離を利用した特徴選択手法を提案する。
我々の手法はワッサースタイン距離を用いて特徴の類似性を評価し、本質的にクラス関係を捉え、うるさいラベルに頑健にする。
分析の結果,ワッサースタイン距離に基づく特徴選択法は,特定の雑音モデルに依存することなく,ノイズラベルの影響を効果的に低減できることがわかった。
論文 参考訳（メタデータ） (2024-11-11T18:38:22Z) - Benchmarking bosonic modes for quantum information with randomized displacements [0.0]
本稿では,位相空間におけるボソニックモードのランダムな変位を利用したボソニックランダム化ベンチマークプロトコルについて述べる。
捕捉されたイオン系の運動モードに工学的ノイズを注入することにより解析モデルを実験的に検証する。
最後に,本システムにおける固有誤差特性について検討し,高相関雑音の存在を支配的過程として同定した。
論文 参考訳（メタデータ） (2024-05-24T06:00:05Z) - Towards stable real-world equation discovery with assessing
differentiating quality influence [52.2980614912553]
一般的に用いられる有限差分法に代わる方法を提案する。
我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
論文 参考訳（メタデータ） (2023-11-09T23:32:06Z) - History-Based, Bayesian, Closure for Stochastic Parameterization:
Application to Lorenz '96 [0.09137554315375918]
本研究では,ニューラルネットワークに対するベイズ形式に基づく新しいパラメータ化手法を開発し,不確実な定量化を考慮に入れた。
ベイズ史に基づくパラメータ化をLorenz '96モデルに適用し,ノイズやスパースデータの存在下でのパラメータ化について検討した。
このアプローチは閉包問題に対するベイズ的アプローチの活用の道を開く。
論文 参考訳（メタデータ） (2022-10-26T05:22:50Z) - Numerically Stable Sparse Gaussian Processes via Minimum Separation
using Cover Trees [57.67528738886731]
誘導点に基づくスケーラブルスパース近似の数値安定性について検討する。
地理空間モデリングなどの低次元タスクに対しては,これらの条件を満たす点を自動計算する手法を提案する。
論文 参考訳（メタデータ） (2022-10-14T15:20:17Z) - Automatic Differentiation to Simultaneously Identify Nonlinear Dynamics
and Extract Noise Probability Distributions from Data [4.996878640124385]
SINDyは時系列データから類似の動的モデルや方程式を発見するためのフレームワークである。
自動微分と最近のRudyらによって制約されたタイムステッピングを統合したSINDyアルゴリズムの変種を開発する。
本手法は,ガウス分布,一様分布,ガンマ分布,レイリー分布などの確率分布の多様性を同定できることを示す。
論文 参考訳（メタデータ） (2020-09-12T23:52:25Z)
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。