抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
多くの現代アプリケーションにおいて,離散観察データは,一連の機能として自然に理解される。機能データは,振幅(y軸)と位相(x軸)の2つの混乱源をしばしば示す。登録として知られるプロセス,振幅と位相の抽出は,環境モニタリングから医学イメージングまでの様々な領域における機能的データの根底にある構造を探索するのに不可欠である。臨界的に,そのようなデータは,時間にわたる新しい機能的観察で順次収集されることが多い。これにもかかわらず,最も利用可能な登録手順はバッチ学習にのみ適用でき,非効率的な計算をもたらす。これらの課題に取り組むために,関数データの逐次レジストレーションのためのBayesフレームワークを導入し,関数の新しい集合として統計的推論を更新する。このBayesモデルベースの逐次学習手法は,関連する不確実性を考慮しながら,観測された関数のアラインメントを再帰的に更新するために逐次モンテカルロサンプリングを利用する。結果として,バッチ学習におけるオプションではない分散コンピューティングは,計算コストを著しく低減する。シミュレーション研究と既存のバッチ学習法との比較は,目標事後分布が挑戦的な構造を持つ場合でも,提案アプローチが良好に機能することを示した。提案手法を3つの実データセットに適用した。(1)California中のKaweah川近くの年間干ばつ強度の関数,(2)Null島近くの年間海面塩分関数,および(3)心電図信号からセグメント化されたPQRST錯体。【JST・京大機械翻訳】