機能データのための逐次Bayesレジストレーション【JST・京大機械翻訳】

Kim Yoonji; Chkrebtii Oksana A.; Kurtek Sebastian A.

プレプリント

J-GLOBAL ID：202202204926366326 整理番号：22P0308655

機能データのための逐次Bayesレジストレーション【JST・京大機械翻訳】

Sequential Bayesian Registration for Functional Data

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月22日プレプリントサーバーでの情報更新日： 2022年03月22日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

数値計算 , 人工知能

前のページに戻る