論文の概要: EB-RANSAC: Random Sample Consensus based on Energy-Based Model

• arxiv url: http://arxiv.org/abs/2603.12525v1
• Date: Thu, 12 Mar 2026 23:55:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.811896
• Title: EB-RANSAC: Random Sample Consensus based on Energy-Based Model
• Title（参考訳）: EB-RANSAC:エネルギーモデルに基づくランダムサンプル合意
• Authors: Muneki Yasuda, Nao Watanabe, Kaiji Sekimoto,
• Abstract要約: 本稿では,RANSACと類似した構造を持つロバスト推定のためのエネルギーベースモデル(EBM)を提案する。 EB-RANSACは、RANSACと同様の幅広い推定問題に適用できる。 EB-RANSACの有効性は2つのアプリケーションで数値的に実証されている。
• 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: Random sample consensus (RANSAC), which is based on a repetitive sampling from a given dataset, is one of the most popular robust estimation methods. In this study, an energy-based model (EBM) for robust estimation that has a similar scheme to RANSAC, energy-based RANSAC (EB-RANSAC), is proposed. EB-RANSAC is applicable to a wide range of estimation problems similar to RANSAC. However, unlike RANSAC, EB-RANSAC does not require a troublesome sampling procedure and has only one hyperparameter. The effectiveness of EB-RANSAC is numerically demonstrated in two applications: a linear regression and maximum likelihood estimation.
• Abstract（参考訳）: ランダムサンプルコンセンサス(RANSAC)は、与えられたデータセットからの反復的なサンプリングに基づいており、最も一般的なロバストな推定手法の1つである。 本研究では, エネルギーベースRANSAC (EB-RANSAC) に類似した構造を持つロバスト推定のためのエネルギーベースモデル (EBM) を提案する。 EB-RANSACは、RANSACと同様の幅広い推定問題に適用できる。 しかし、RANSACとは異なり、EB-RANSACは面倒なサンプリング手順を必要とせず、1つのハイパーパラメータしか持たない。 EB-RANSACの有効性は線形回帰と最大推定の2つの応用で数値的に示されている。

関連論文リスト

• Fixing the RANSAC Stopping Criterion [69.59335489157175]
  この論文の主な貢献は、RANSACアルゴリズムに基づいて構築された事実上のシステムに長時間のエラーに対処することにある。 サンプリング確率の近似は、1981年にRANSACの適応的な停止をサポートするために論文によって導かれた。 正確な確率の計算の実装は驚くほど単純であるが、非常に効果的であり、幅広いコンピュータビジョンシステムに大きく影響する可能性がある。
  論文  参考訳（メタデータ） (2025-03-10T20:18:54Z)
• Controllable RANSAC-based Anomaly Detection via Hypothesis Testing [7.10052009802944]
  RANSAC(制御可能なRANSAC)により得られた異常検出結果をテストするための新しい統計的手法を提案する。 提案手法の主な強みは、予め特定されたレベル以下の異常を誤識別する確率を制御できることにある。 合成および実世界のデータセットで行った実験は、我々の理論結果をしっかりと支えている。
  論文  参考訳（メタデータ） (2024-10-19T15:15:41Z)
• Metric Entropy-Free Sample Complexity Bounds for Sample Average Approximation in Convex Stochastic Programming [0.6906005491572401]
  エントロピーのない複雑性速度は、一様リプシッツ条件下で達成可能であることが示されている。 本稿では、標準SP仮定の下でのSAAの計量エントロピーフリーサンプル複雑性境界の最初の集合を示す。
  論文  参考訳（メタデータ） (2024-01-01T04:35:53Z)
• RLSAC: Reinforcement Learning enhanced Sample Consensus for End-to-End Robust Estimation [74.47709320443998]
  RLSAC(Reinforcement Learning enhanced SAmple Consensus framework for end-to-end robust estimation)を提案する。 RLSACはグラフニューラルネットワークを用いて、データとメモリの特徴の両方を利用して探索方向を案内し、次の最小セットをサンプリングする。 実験の結果, RLSACは特徴から学習し, より優れた仮説を徐々に探求できることがわかった。
  論文  参考訳（メタデータ） (2023-08-10T03:14:19Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Generalized Differentiable RANSAC [95.95627475224231]
  $nabla$-RANSACは、ランダム化された堅牢な推定パイプライン全体を学ぶことができる、微分可能なRANSACである。 $nabla$-RANSACは、精度という点では最先端のシステムよりも優れているが、精度は低い。
  論文  参考訳（メタデータ） (2022-12-26T15:13:13Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• Query-Efficient Adversarial Attack Based on Latin Hypercube Sampling [6.141497251925968]
  本稿では,ラテンハイパーキューブサンプリングに基づく境界攻撃(LHS-BA)を提案する。 提案手法は, クエリ効率の観点から, 最先端のBA法よりもLHS-BAの方が優れていることを示す実験結果を得た。
  論文  参考訳（メタデータ） (2022-07-05T12:04:44Z)
• Statistical Efficiency of Thompson Sampling for Combinatorial Semi-Bandits [56.31950477139053]
  半帯域フィードバック(CMAB)を用いたマルチアームバンディットの検討 我々は Combinatorial Thompson Smpling Policy (CTS) の変種を解析する。 この最終結果は,Y Combinatorial Bandit Policy (ESCB) の効率的なサンプリングに代わるものだ。
  論文  参考訳（メタデータ） (2020-06-11T17:12:11Z)

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。