論文の概要: Robust Local Optimization Done Right

• arxiv url: http://arxiv.org/abs/2610.05743v1
• Date: Mon, 05 Oct 2026 03:48:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 04:44:58.346478
• Title: Robust Local Optimization Done Right
• Title（参考訳）: ロバストな局所最適化が正しい
• Abstract要約: RANSACスコアリングと局所最適化(LO)は、異なる堅牢性要件を課している。 基本行列,基本行列,ホモグラフィー推定に対するロバストロス形状,不正確な不整合スケール,最適化戦略の影響を系統的に分離した。 我々のRANSACは、現在最先端のRANSACのPhotoTourismにおける正真正銘のポーズエラーを2.23度から1.58度に減らし、正確な不整合スケールで38度から6.2度に減らした(大きすぎる128倍)。
• 参考スコア（独自算出の注目度）: 0.7505549079433349
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: RANSAC scoring and local optimization (LO) impose different robustness requirements, motivating the separation of hypothesis selection from refinement. We systematically isolate the effects of robust-loss shape, incorrectly specified inlier scales, and optimization strategy on essential matrix, fundamental matrix, and homography estimation. A profile-marginal score marginalizes the nuisance inlier scale and selects an inlier partition, from which we estimate the scale that sets the LO loss width; this makes LO robust to an inlier scale specified too large, whereas one specified too small degrades selection itself. Refinement needs gradient from correspondences the seed currently rejects: optimizers that reweight from current residuals stay pinned to their seed, whereas methods with broad basins recover strongly perturbed seeds yet degrade accurate score-selected hypotheses, so basin size alone is insufficient to assess RANSAC LO. Joint half-quadratic optimization balances the two and is the most consistent strategy across model classes. An optimizer matched to the profile-marginal score, which never decreases it, does not reach the best accuracy, challenging the prescription that scoring and refinement objectives should match. Composed from these findings, our RANSAC reduces the median essential-matrix pose error of a state-of-the-art RANSAC on PhotoTourism from 2.23 degrees to 1.58 degrees with a correctly specified inlier scale and from 38 degrees to 6.2 degrees when it is grossly misspecified (128x too large).
• Abstract（参考訳）: RANSACスコアリングと局所最適化(LO)は異なる堅牢性要件を課し、仮説選択を洗練から分離する動機となっている。 基本行列,基本行列,ホモグラフィー推定に対するロバストロス形状,不正確な不整合スケール,最適化戦略の影響を系統的に分離した。 プロファイル・マージナルスコアは、ヌイザンス・インリアー・スケールをマージし、LO損失幅を設定するスケールを推定するインリアー・パーティションを選択する。 現在の残留物から再加重する最適化器は種子に固定されているのに対し、広い流域では強い摂動種子を回収するが正確なスコア選択仮説を分解するので、流域のサイズだけではRANSAC LOを評価するには不十分である。 半4次最適化は2つのバランスを保ち、モデルクラス間で最も一貫性のある戦略である。 プロファイル・マージナルスコアと一致したオプティマイザは、決して低下しないが、最高の精度に到達せず、スコアとリファインメントの目的が一致すべき処方に挑戦する。 これらの結果から, RANSACは, 最先端のRANSACのフォトツーリズムにおける正中不整合度が2.23度から1.58度に低下し, 完全不整合度が38度から6.2度に低下した(大きすぎる128倍)。

関連論文リスト

• Learning Predictive Ambiguity Sets for Decision-Focused Distributionally Robust Optimization [4.950717258701029]
  経験的予測曖昧性集合(LPAS)を提案する。 文脈曖昧性セットは、DRO決定層をフィードする。 提案手法は, 等重量, 予測最適化, 歴史的ワッサーシュタインDROベースラインを大幅に改善する。
  論文  参考訳（メタデータ） (2026-07-10T07:48:12Z)
• SDS-LoRA: Overcoming Anisotropic Gradient Scaling in Low-Rank Adaptation [64.33799467286265]
  Low-Rank Adaptation (LoRA)は、大規模な事前訓練されたモデルの下流タスクへの効率的な適応を可能にする。 完全な微調整勾配が低ランク行列に逆伝播すると,その特異値によって誘導される異方性スケーリングを受けることを示す。 本稿では,後方パスから特異値を構造的に分離する新しい低ランクパラメータ化SDS-LoRAを提案する。
  論文  参考訳（メタデータ） (2026-06-15T09:27:50Z)
• RANSAC Scoring Done Right [0.6678130184505635]
  最も広く使われているRANSAC変種は、インレーヤを数えたり、残差閾値を超えて飽和するポイント当たりのスコアを和らげることで、候補モデルを評価する。 通常の推論順序を逆転することで、この依存を排除します。 単一の閉形式表現は、非形式的ジェフリーズ極限と情報的経験的ベイズ先行にまたがる。 提案されたRANSACスコアは、不整合スケールが式から真に欠落している最初のスコアである。
  論文  参考訳（メタデータ） (2026-06-12T15:03:30Z)
• From Noisy Traces to Stable Gradients: Bias-Variance Optimized Preference Optimization for Aligning Large Reasoning Models [90.45197506653341]
  大規模推論モデルは最終回答を生成する前に中間的推論トレースを生成する。 LRMと人間の好みの整合性は、モデルデプロイメントにとって重要な前提条件であり、まだ過小評価されていない。 共通の回避策は1つのサンプル軌道を最適化し、トレースサンプリングからかなり勾配のばらつきをもたらす。
  論文  参考訳（メタデータ） (2025-10-06T17:58:01Z)
• Geometric-Averaged Preference Optimization for Soft Preference Labels [78.2746007085333]
  LLMを人間の嗜好と整合させる多くのアルゴリズムは、人間の嗜好は二進的かつ決定論的であると仮定する。 本研究では,分散ソフトな選好ラベルを導入し,損失関数におけるLLM出力確率の重み付き幾何平均を用いて直接選好最適化(DPO)を改善する。
  論文  参考訳（メタデータ） (2024-09-10T17:54:28Z)
• Decision-Focused Learning with Directional Gradients [1.2363103948638432]
  そこで我々は,予測最適化フレームワークとして,摂動勾配損失(PG損失)と呼ばれる,決定を意識した新たなサロゲート損失のファミリーを提案する。 通常、断片的に一定かつ不連続な元の決定損失とは異なり、新しいPG損失はリプシッツ連続であり、凹函数の違いである。 我々は,PG損失が,基礎モデルが不明確である場合に,既存の提案よりも実質上優れていることを示す数値的な証拠を提供する。
  論文  参考訳（メタデータ） (2024-02-05T18:14:28Z)
• Linear Relative Pose Estimation Founded on Pose-only Imaging Geometry [18.270330814061325]
  本稿では,n$(n geq 6$)点対に対する線形相対ポーズ推定アルゴリズムを提案する。 これは最近のポーズ専用画像幾何学に基づいており、適切な再重み付けによって外れ値のフィルタリングを行っている。 相対回転精度を2$sim$10倍に向上させる。
  論文  参考訳（メタデータ） (2024-01-24T10:35:34Z)
• 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)
• Large-Scale Methods for Distributionally Robust Optimization [53.98643772533416]
  我々のアルゴリズムは、トレーニングセットのサイズとパラメータの数によらず、多くの評価勾配を必要とすることを証明している。 MNIST と ImageNet の実験により,本手法の 9-36 倍の効率性を持つアルゴリズムの理論的スケーリングが確認された。
  論文  参考訳（メタデータ） (2020-10-12T17:41:44Z)
• Balancing Rates and Variance via Adaptive Batch-Size for Stochastic Optimization Problems [120.21685755278509]
  本研究は,ステップサイズの減衰が正確な収束に必要であるという事実と,一定のステップサイズがエラーまでの時間でより速く学習するという事実のバランスをとることを目的とする。 ステップサイズのミニバッチを最初から修正するのではなく,パラメータを適応的に進化させることを提案する。
  論文  参考訳（メタデータ） (2020-07-02T16:02:02Z)

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。