論文の概要: SNGR: Selective Non-Gaussian Refinement for Ambiguous SLAM Factor Graphs

• arxiv url: http://arxiv.org/abs/2604.22065v1
• Date: Thu, 23 Apr 2026 20:44:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-27 15:36:26.265025
• Title: SNGR: Selective Non-Gaussian Refinement for Ambiguous SLAM Factor Graphs
• Title（参考訳）: SNGR: あいまいなSLAM因子グラフのための選択的な非ガウス的リファインメント
• Authors: Anushka Kulkarni, Sarthak Dubey,
• Abstract要約: Selective Non-Gaussian Refinement (SNGR, Selective Non-Gaussian Refinement) は、ガウス近似が失敗する可能性のあるウィンドウ上で、ターゲットのネストサンプリングでiSAM2を増強するSLAMフレームワークである。 誤差データアソシエイトによる範囲限定SLAM実験では,SNGRが高精度な故障検出と一貫した局所的可能性向上を実現し,非ガウス的推論に対する計算コストを低減した。
• 参考スコア（独自算出の注目度）: 0.4373803477995853
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present Selective Non-Gaussian Refinement (SNGR), a SLAM framework that augments iSAM2 with targeted nested sampling on windows where Gaussian approximations are likely to fail. We detect such regions using the condition number of joint marginal covariances and selectively refine them using the full nonlinear factor graph likelihood, with a gating mechanism to avoid degradation in multimodal cases. Experiments on range-only SLAM with wrong data association show that SNGR achieves high-precision failure detection and consistent local likelihood improvements while reducing computational cost relative to exhaustive non-Gaussian inference. These results highlight both the promise and the limitations of selective refinement for approximate SLAM posteriors.
• Abstract（参考訳）: Selective Non-Gaussian Refinement (SNGR, Selective Non-Gaussian Refinement) は、ガウス近似が失敗する可能性のあるウィンドウ上で、ターゲットのネストサンプリングでiSAM2を増強するSLAMフレームワークである。 このような領域を連接境界共分散の条件数を用いて検出し、全非線形係数グラフの確率を用いて選択的に洗練し、マルチモーダルケースの劣化を避けるためのゲーティング機構を用いる。 誤差データアソシエイトによる範囲限定SLAM実験では,SNGRが高精度な故障検出と一貫した局所的可能性向上を実現し,非ガウス的推論に対する計算コストを低減した。 これらの結果から, SLAM後縁部における選択的改質の約束と限界が浮き彫りになった。

関連論文リスト

• COGNOS: Universal Enhancement for Time Series Anomaly Detection via Constrained Gaussian-Noise Optimization and Smoothing [6.738487965771888]
  Constrained Gaussian-Noise Optimization and Smoothing (COGNOS)は、モデルに依存しない拡張フレームワークである。 我々はCOGNOSが非常に有効であることを示し、12種類のバックボーンモデルに適用した場合、平均Fスコアアップリフトは57.9%となることを示した。 出力統計を直接正規化することは、異常検出システムを大幅に改善するための強力で一般化可能な戦略である。
  論文  参考訳（メタデータ） (2025-11-10T09:43:48Z)
• Metropolis-Hastings Sampling for 3D Gaussian Reconstruction [31.840492077537018]
  3次元ガウス平滑化のための適応型サンプリングフレームワーク(3DGS)を提案する。 我々の枠組みは, 確率的サンプリングプロセスとして, デンシフィケーションとプルーニングを改質することで限界を克服する。 提案手法は,最先端モデルのビュー合成品質を適度に上回りながら,より高速な収束を実現する。
  論文  参考訳（メタデータ） (2025-06-15T19:12:37Z)
• Semiparametric conformal prediction [79.6147286161434]
  ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。 スコアの累積分布関数(CDF)を柔軟に推定する。 提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
  論文  参考訳（メタデータ） (2024-11-04T14:29:02Z)
• Gradient Normalization Provably Benefits Nonconvex SGD under Heavy-Tailed Noise [60.92029979853314]
  重み付き雑音下でのグラディエントDescence(SGD)の収束を確実にする上での勾配正規化とクリッピングの役割について検討する。 我々の研究は、重尾雑音下でのSGDの勾配正規化の利点を示す最初の理論的証拠を提供する。 我々は、勾配正規化とクリッピングを取り入れた加速SGD変種を導入し、さらに重み付き雑音下での収束率を高めた。
  論文  参考訳（メタデータ） (2024-10-21T22:40:42Z)
• Risk-Sensitive Diffusion: Robustly Optimizing Diffusion Models with Noisy Samples [58.68233326265417]
  非画像データは実際のアプリケーションで広く使われており、ノイズが多い傾向にある。 リスク感受性SDEは、リスクベクトルによってパラメータ化された微分方程式(SDE)の一種である。 我々はガウス雑音分布と非ガウス雑音分布の両方について系統的研究を行う。
  論文  参考訳（メタデータ） (2024-02-03T08:41:51Z)
• Robust Stochastic Optimization via Gradient Quantile Clipping [6.2844649973308835]
  グラディエントDescent(SGD)のための量子クリッピング戦略を導入する。 通常のクリッピングチェーンとして、グラデーション・ニュー・アウトリージを使用します。 本稿では,Huberiles を用いたアルゴリズムの実装を提案する。
  論文  参考訳（メタデータ） (2023-09-29T15:24:48Z)
• Sampling from Gaussian Process Posteriors using Stochastic Gradient Descent [43.097493761380186]
  勾配アルゴリズムは線形系を解くのに有効な方法である。 最適値に収束しない場合であっても,勾配降下は正確な予測を導出することを示す。 実験的に、勾配降下は十分に大規模または不条件の回帰タスクにおいて最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-06-20T15:07:37Z)
• Differentiable Annealed Importance Sampling and the Perils of Gradient Noise [68.44523807580438]
  Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。 差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。 我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
  論文  参考訳（メタデータ） (2021-07-21T17:10:14Z)

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。