論文の概要: Second-order optimization of variable projection SVM models and road abnormality detection

• arxiv url: http://arxiv.org/abs/2610.09617v1
• Date: Wed, 07 Oct 2026 07:57:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.789526
• Title: Second-order optimization of variable projection SVM models and road abnormality detection
• Title（参考訳）: 可変射影SVMモデルの2次最適化と道路異常検出
• Abstract要約: 本稿では,いわゆる可変射影関数を最小化するための新しい2階最適化フレームワークを提案する。 提案手法は, 可変プロジェクションに基づくカーネル手法の訓練に特に有用であることを示す。
• 参考スコア（独自算出の注目度）: 0.7874708385247353
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a novel second-order optimization framework for minimizing so-called variable projection functionals. We demonstrate that the proposed framework is especially usefulfor the training of variable projection based kernel methods. In particular, the problem of efficiently training variable projection support vector machines (VP-SVMs) is considered. We show the effectiveness of the proposed training methodology in a real-world application, namely we demonstrate how second-order trust region algorithms can be used to train VPSVM models to recognize road surface abnormalities based on 1D signals obtained from a tire sensor.
• Abstract（参考訳）: 本稿では,いわゆる可変射影関数を最小化するための新しい2階最適化フレームワークを提案する。 提案手法は, 可変プロジェクションに基づくカーネル手法の訓練に特に有用であることを示す。 特に、可変射影支援ベクトルマシン(VP-SVM)を効率的に訓練する際の問題点を考察する。 提案手法の有効性を実世界のアプリケーションで示し, タイヤセンサから得られる1D信号に基づいて2階信頼領域アルゴリズムを用いてVPSVMモデルの路面異常を認識する方法を示す。

関連論文リスト

• Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
  本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。 我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。 それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
  論文  参考訳（メタデータ） (2023-10-15T18:44:30Z)
• Boost Video Frame Interpolation via Motion Adaptation [73.42573856943923]
  ビデオフレーム(VFI)は、2つの連続するフレーム間の中間フレームを生成することを目的とした課題である。 既存の学習ベースのVFI手法は大きな成功を収めたが、それでも限定的な一般化能力に悩まされている。 テスト時に見えない動作に適応できる新しい最適化ベースのVFI法を提案する。
  論文  参考訳（メタデータ） (2023-06-24T10:44:02Z)
• VI-DGP: A variational inference method with deep generative prior for solving high-dimensional inverse problems [0.7734726150561089]
  本研究では,高次元後方分布を推定するための新しい近似法を提案する。 このアプローチは、深層生成モデルを利用して、空間的に変化するパラメータを生成することができる事前モデルを学ぶ。 提案手法は自動微分方式で完全に実装できる。
  論文  参考訳（メタデータ） (2023-02-22T06:48:10Z)
• RL-PGO: Reinforcement Learning-based Planar Pose-Graph Optimization [1.4884785898657995]
  本稿では,最新のDeep Reinforcement Learning (DRL) ベースの環境と2次元ポーズグラフ最適化のためのエージェントを提案する。 本研究では、ポーズグラフ最適化問題を部分的に観測可能な決定プロセスとしてモデル化し、実世界および合成データセットの性能を評価することを実証する。
  論文  参考訳（メタデータ） (2022-02-26T20:10:14Z)
• A Deterministic Sampling Method via Maximum Mean Discrepancy Flow with Adaptive Kernel [5.618322163107168]
  本稿では,カーネルの不一致を最小限に抑えて,ターゲット分布を$rho*$に近似する新しい決定論的サンプリング手法を提案する。 EVI-MMDアルゴリズムを用いて2種類のサンプリング問題を解く。
  論文  参考訳（メタデータ） (2021-11-21T03:09:07Z)
• CDN-MEDAL: Two-stage Density and Difference Approximation Framework for Motion Analysis [3.337126420148156]
  本稿では,2つの畳み込みニューラルネットワークを用いた2段階変化検出手法を提案する。 筆者らの2段階フレームワークは, 約3.5Kのパラメータを含むが, 複雑な動きパターンに対する迅速な収束は維持されている。
  論文  参考訳（メタデータ） (2021-06-07T16:39:42Z)
• Modeling Stochastic Microscopic Traffic Behaviors: a Physics Regularized Gaussian Process Approach [1.6242924916178285]
  本研究では,実世界のランダム性を捉え,誤差を計測できる微視的交通モデルを提案する。 提案フレームワークの特長の一つは,自動車追従行動と車線変更行動の両方を1つのモデルで捉える能力である。
  論文  参考訳（メタデータ） (2020-07-17T06:03:32Z)

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。