論文の概要: Trust-Region Methods with Low-Fidelity Objective Models

• arxiv url: http://arxiv.org/abs/2511.00434v1
• Date: Sat, 01 Nov 2025 07:25:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.775942
• Title: Trust-Region Methods with Low-Fidelity Objective Models
• Title（参考訳）: 低忠実度客観モデルを用いた信頼回帰法
• Authors: Andrea Angino, Matteo Aurina, Alena Kopaničáková, Matthias Voigt, Marco Donatelli, Rolf Krause,
• Abstract要約: 本稿では,マジックトラスト領域(MTR)フレームワークに基づく2つのマルチフィデリティ信頼領域手法を提案する。 二次魔法の方向は、粗い信頼領域のサブプロブレムを低忠実度対象モデルに基づいて解くことによって決定される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce two multifidelity trust-region methods based on the Magical Trust Region (MTR) framework. MTR augments the classical trust-region step with a secondary, informative direction. In our approaches, the secondary ``magical'' directions are determined by solving coarse trust-region subproblems based on low-fidelity objective models. The first proposed method, Sketched Trust-Region (STR), constructs this secondary direction using a sketched matrix to reduce the dimensionality of the trust-region subproblem. The second method, SVD Trust-Region (SVDTR), defines the magical direction via a truncated singular value decomposition of the dataset, capturing the leading directions of variability. Several numerical examples illustrate the potential gain in efficiency.
• Abstract（参考訳）: 本稿では,マジックトラスト領域(MTR)フレームワークに基づく2つのマルチフィデリティ信頼領域手法を提案する。 MTRは、古典的な信頼領域のステップを二次的、情報的方向で強化する。 提案手法では,低忠実度対象モデルに基づく粗い信頼領域サブプロブレムを解くことにより,第2の「マジック」方向を決定する。 最初の提案手法であるSketched Trust-Region (STR) は、この二次方向をスケッチ行列を用いて構築し、信頼領域サブプロブレムの次元性を低減する。 第2の手法であるSVD Trust-Region (SVDTR) は、データセットの切り離された特異値分解による魔法の方向を定義し、変動の先頭方向を捉える。 いくつかの数値的な例は、効率の潜在的な向上を示している。

関連論文リスト

• Toward Robust Neural Reconstruction from Sparse Point Sets [7.794399839830819]
  狭くノイズの多い3次元点群からSDF(Signed Distance Function)を学習する際の課題について考察する。 滑らかさの先行性に依存する最近の手法とは対照的に,我々の手法は分散ロバストな最適化(DRO)フレームワークに根ざし,正規化項を組み込んでいる。 本研究では,SDFの安定かつ効率的な最適化を実現するための枠組みであることを示す。
  論文  参考訳（メタデータ） (2024-12-20T21:49:02Z)
• Towards Calibrated Robust Fine-Tuning of Vision-Language Models [97.19901765814431]
  本研究は、視覚言語モデルにおいて、OOD精度と信頼性校正の両方を同時に改善する頑健な微調整法を提案する。 OOD分類とOOD校正誤差は2つのIDデータからなる共有上限を持つことを示す。 この知見に基づいて,最小の特異値を持つ制約付きマルチモーダルコントラスト損失を用いて微調整を行う新しいフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-11-03T05:41:25Z)
• Towards Generalizable Deepfake Detection by Primary Region Regularization [52.41801719896089]
  本稿では,新しい正規化の観点から一般化能力を高める。 本手法は, 一次領域マップの静的な位置決めと, 一次領域マスクの動的利用の2段階からなる。 5つのバックボーンを持つDFDC,DF-1.0,Celeb-DFの3種類のディープフェイクデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2023-07-24T05:43:34Z)
• Exploring the Relationship between Samples and Masks for Robust Defect Localization [1.90365714903665]
  本稿では,モデルプロセスなしで欠陥パターンを直接検出する一段階フレームワークを提案する。 欠陥の位置を示す可能性のある明示的な情報は、直接マッピングを学ぶことを避けるために意図的に除外される。 その結果,提案手法はF1-ScoreのSOTA法よりも2.9%高い値を示した。
  論文  参考訳（メタデータ） (2023-06-19T06:41:19Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• Semi-Supervised Learning with Variational Bayesian Inference and Maximum Uncertainty Regularization [62.21716612888669]
  半教師付き学習(SSL)を改善するための2つの一般的な方法を提案する。 第一に、重量摂動(WP)を既存のCR(Consistency regularization)ベースの手法に統合する。 第2の手法は「最大不確実性正規化(MUR)」と呼ばれる新しい整合性損失を提案する。
  論文  参考訳（メタデータ） (2020-12-03T09:49:35Z)

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。