論文の概要: Learning Adaptive Solvers for Distributed Factor Graph Optimization on Matrix Lie Groups

• arxiv url: http://arxiv.org/abs/2607.08735v1
• Date: Thu, 09 Jul 2026 17:35:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.613465
• Title: Learning Adaptive Solvers for Distributed Factor Graph Optimization on Matrix Lie Groups
• Title（参考訳）: 行列リー群を用いた分散係数グラフ最適化のための適応解の学習
• Abstract要約: DeepCORDは、一般行列リー群上の分散係数グラフ最適化のための学習強化フレームワークである。 提案手法は,現実的な運用シナリオにまたがるほとんどのベンチマークにおいて,既存の分散ベースラインよりも低い目的値を実現する。
• 参考スコア（独自算出の注目度）: 10.991847864573437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern robotic perception increasingly involves large-scale geometric optimization problems distributed across multiple robots or sessions. However, existing distributed solvers often depend on brittle hand tuning and primarily target rigid body pose graphs. To address this, we present DeepCORD, a learning-augmented framework for distributed factor graph optimization on general matrix Lie groups. By unfolding a parallel and accelerated Riemannian optimizer into differentiable iterations, DeepCORD learns a self-supervised feedback policy that dynamically adapts solver parameters according to the optimization phase and communication status. The resulting method enables adaptive distributed optimization over matrix Lie groups under both synchronous and asynchronous communication regimes. Extensive experiments on real-world $\mathrm{SE}$(3) pose graph optimization and $\mathrm{SL}$(4) projective submap alignment show that our method achieves lower objective values than existing distributed baselines on most benchmarks across realistic operating scenarios.
• Abstract（参考訳）: 現代のロボット知覚は、複数のロボットやセッションにまたがる大規模な幾何学的最適化問題にますます関与する。 しかし、既存の分散ソルバは、しばしば脆いハンドチューニングと、主に剛体ポーズグラフに依存している。 これを解決するために,一般行列リー群上での分散係数グラフ最適化のための学習強化フレームワークであるDeepCORDを提案する。 並列かつ加速されたリーマン最適化器を微分可能なイテレーションに展開することにより、DeepCORDは最適化フェーズと通信状態に応じて動的にソルバパラメータを適応する自己教師付きフィードバックポリシーを学ぶ。 この手法により、同期通信と非同期通信の両方の条件下で、行列リー群に対して適応的な分散最適化が可能となる。 実世界の$\mathrm{SE}$(3)のポーズグラフ最適化と$\mathrm{SL}$(4)のプロジェクティブサブマップアライメントに関する大規模な実験により,本手法は現実的な運用シナリオにまたがるほとんどのベンチマークにおいて,既存の分散ベースラインよりも低い目的値を達成することが示された。

関連論文リスト

• Distributed Pose Graph Optimization via Continuous Riemannian Dynamics [10.991847864573437]
  分散ポーズグラフ最適化(PGO)のためのフレームワークを提案する。 ポーズ変数を減衰する粒子としてモデル化することにより、結果のPGO問題の平衡点は、元のPGO問題の1次臨界点と一致する。 PGOデータセットのベンチマーク実験により,提案手法は同期型と非同期型のいずれにおいても,最先端の分散ベースラインよりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2026-05-11T20:24:16Z)
• LLM as a Complementary Optimizer to Gradient Descent: A Case Study in Prompt Tuning [69.95292905263393]
  グラデーションベースとハイレベルなLLMは、協調最適化フレームワークを効果的に組み合わせることができることを示す。 本稿では,これらを相互に補完し,組み合わせた最適化フレームワークを効果的に連携させることができることを示す。
  論文  参考訳（メタデータ） (2024-05-30T06:24:14Z)
• Optimal Potential Shaping on SE(3) via Neural ODEs on Lie Groups [4.595636071139437]
  ニューラル常微分方程式 (neural ODEs) として力学系を言い換える 数値的に最適化に取り組むために勾配降下最適化アルゴリズムを提案する。 広範な例では、剛体制御のための最適電位エネルギー整形が扱われる。
  論文  参考訳（メタデータ） (2024-01-25T16:26:44Z)
• Analyzing and Enhancing the Backward-Pass Convergence of Unrolled Optimization [50.38518771642365]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 この設定における中心的な課題は最適化問題の解によるバックプロパゲーションであり、しばしば閉形式を欠いている。 本稿では, 非線形最適化の後方通過に関する理論的知見を提供し, 特定の反復法による線形システムの解と等価であることを示す。 Folded Optimizationと呼ばれるシステムが提案され、非ローリングなソルバ実装からより効率的なバックプロパゲーションルールを構築する。
  論文  参考訳（メタデータ） (2023-12-28T23:15:18Z)
• Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
  エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。 ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。 提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
  論文  参考訳（メタデータ） (2023-10-10T00:21:10Z)
• Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
  ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。 1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。 本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
  論文  参考訳（メタデータ） (2023-01-28T01:50:42Z)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)
• Stochastic Flows and Geometric Optimization on the Orthogonal Group [52.50121190744979]
  直交群 $O(d)$ 上の幾何駆動最適化アルゴリズムの新しいクラスを示す。 提案手法は,深層,畳み込み,反復的なニューラルネットワーク,強化学習,フロー,メトリック学習など,機械学習のさまざまな分野に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-03-30T15:37:50Z)

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。