Fugu-MT 論文翻訳(概要): EB-RANSAC: Random Sample Consensus based on Energy-Based Model

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
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

DS-SAC: Density Search for Sample Consensus [0.8626879748879773]
density Search Sample Consensus (DS-SAC) は、高密度領域を探索することによって繰り返しランダムサンプリングを回避する頑健な推定フレームワークである。グローバルな探索を容易にするため、DS-SACは符号付き残差を用いて設定された点を分割し、高契約モデルに対する各有効な分割を探索する。実験により,DS-SACは点数に関して複雑性を達成し,コンセンサスに基づく手法の効率的な代替となることが示された。
論文参考訳（メタデータ） (2026-07-04T18:06:20Z)
SACn: Soft Actor-Critic with n-step Returns [3.305353787222645]
SAC(Soft Actor-Critic)は、オンラインのオンラインモデルフリー強化学習(RL)手法の1つである。 SACは、通常の組み合わせが非政治アルゴリズムにバイアスをもたらすため、nステップのリターンと組み合わせることが難しいことが知られている。本研究では,SACとnステップの戻り値を組み合わせ,この問題を克服する。
論文参考訳（メタデータ） (2025-12-15T10:23:13Z)
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)
CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。 CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
論文参考訳（メタデータ） (2021-10-26T20:14:30Z)
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。