論文の概要: Sample-wise Constrained Learning via a Sequential Penalty Approach with Applications in Image Processing

• arxiv url: http://arxiv.org/abs/2601.16812v1
• Date: Fri, 23 Jan 2026 15:06:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-26 14:27:27.740617
• Title: Sample-wise Constrained Learning via a Sequential Penalty Approach with Applications in Image Processing
• Title（参考訳）: 逐次ペナルティ法によるサンプルワイド制約学習と画像処理への応用
• Authors: Francesca Lanzillotta, Chiara Albisani, Davide Pucci, Daniele Baracchi, Alessandro Piva, Matteo Lapucci,
• Abstract要約: 本研究では,制約を適切に扱える逐次的ペナルティ手法を用いて学習を行うことが可能であることを示す。 提案アルゴリズムは,ディープラーニングのシナリオで妥当な仮定の下で収束保証を持つことが示されている。
• 参考スコア（独自算出の注目度）: 41.713434910863846
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In many learning tasks, certain requirements on the processing of individual data samples should arguably be formalized as strict constraints in the underlying optimization problem, rather than by means of arbitrary penalties. We show that, in these scenarios, learning can be carried out exploiting a sequential penalty method that allows to properly deal with constraints. The proposed algorithm is shown to possess convergence guarantees under assumptions that are reasonable in deep learning scenarios. Moreover, the results of experiments on image processing tasks show that the method is indeed viable to be used in practice.
• Abstract（参考訳）: 多くの学習タスクにおいて、個々のデータサンプルの処理に関する特定の要件は、任意の罰則ではなく、基礎となる最適化問題における厳密な制約として形式化されるべきである。 これらのシナリオでは,制約を適切に扱えるような逐次的ペナルティ手法を用いて学習を行うことが可能である。 提案アルゴリズムは,ディープラーニングのシナリオで妥当な仮定の下で収束保証を持つことが示されている。 さらに,画像処理タスクの実験結果から,本手法が実際に利用可能であることが示唆された。

関連論文リスト

• Bounding Causal Effects and Counterfactuals [0.0]
  この論文は、複数の因果シナリオにまたがる有界アルゴリズムを体系的に比較することで、課題に対処する。 我々は、共通の評価フレームワーク内で最先端のメソッドを実装し、拡張し、統一する。 我々の実証研究は、離散データ生成プロセスと連続データ生成プロセスの両方を含む何千ものランダム化シミュレーションにまたがる。
  論文  参考訳（メタデータ） (2025-08-19T08:13:34Z)
• Single-loop Algorithms for Stochastic Non-convex Optimization with Weakly-Convex Constraints [49.76332265680669]
  本稿では、目的関数と制約関数の両方が弱凸である問題の重要な部分集合について検討する。 既存の手法では、収束速度の遅さや二重ループ設計への依存など、しばしば制限に直面している。 これらの課題を克服するために,新しい単一ループペナルティに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-21T17:15:48Z)
• Resilient Constrained Learning [94.27081585149836]
  本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。 我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
  論文  参考訳（メタデータ） (2023-06-04T18:14:18Z)

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。