PyTorchKR Papers

최신 논문

총 2,063편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2411.09484v5cs.CV공식 코드 · Papers with Code

평면 기반 이미지 매칭 필터링 및 정제와 그 이상

Image Matching Filtering and Refinement by Planes and Beyond

이 논문은 일반적인 이미지 매칭 파이프라인에서 최신 필터링 및 정제 방법에 대한 일관되고 광범위한 평가를 제공한다. 이전 비교와 달리, 설계된 벤치마크는 카메라 내부 파라미터(camera intrinsics)를 알 수 없는 보다 일반적이고 현실적이며 실용적인 경우도 고려한다. 또한, 평면 제약(planar constraints)과 상호 상관(cross correlation)에 기반한 비딥(non-deep) 전통적 컴퓨터 비전(CV) 접근법을 결합한 새롭고 효과적인 전략을 제시한다. 실험 분석은 현재 응용 설계와 향후 연구 방향에 대한 여러 통찰을 제공한다. 특히, 적절한 평가 프로토콜의 선택은, 그렇지 않으면 평탄화되는 경향이 있는 비교 대상 솔루션들 간의 실질적 차이를 드러낸다. 또한, 제안된 전통적 알고리즘 접근법은 최근 딥러닝 기반 방법과 경쟁력이 있다. 딥러닝 기반 방법의 평가를 위해 전통적 컴퓨터 비전을 활용한 견고한 기준선을 제공하는 것 외에도, 이러한 지식은 딥러닝 기반 이미지 매칭 아키텍처를 개선하고 더 잘 이해하는 데 유용하다. 한편으로, 기하학 기반 필터링은 이상치가 존재할 때 이미 견고한 딥러닝 파이프라인을 저하시키지 않으면서 효과적이다. 다른 한편으로, 상호 상관 정제는 코너형 키포인트의 경우 유효하며, 딥러닝 파이프라인에서 부정확한 매칭을 기본적으로 바로 폐기하지 않고 유지·정제하여 장면의 더 나은 커버리지를 달성할 수 있게 한다.

arXiv:2504.15388v3stat.ME공식 코드 · Papers with Code

Deep learning with missing data

In the context of multivariate nonparametric regression with missing covariates, we propose Pattern Embedded Neural Networks (PENNs), which can be applied in conjunction with any existing imputation technique. In addition to a neural network trained on the imputed data, PENNs pass the vectors of observation indicators through a second neural network to provide a compact representation. The outputs are then combined in a third neural network to produce final predictions. Our main theoretical result exploits an assumption that the observation patterns can be partitioned into cells on which the Bayes regression function behaves similarly, and belongs to a compositional Hölder class. It provides a finite-sample excess risk bound that holds for an arbitrary missingness mechanism, and in combination with a complementary minimax lower bound, demonstrates that our PENN estimator attains in typical cases the minimax rate of convergence as if the cells of the partition were known in advance, up to a poly-logarithmic factor in the sample size. Numerical experiments on simulated, semi-synthetic and real data confirm that the PENN estimator consistently improves, often dramatically, on standard neural networks without pattern embedding. Code to reproduce our experiments, as well as a tutorial on how to apply our method, is publicly available.

arXiv:2010.14694v4econ.EM공식 코드 · Papers with Code

개인 이질성을 위한 심층 학습

Deep Learning for Individual Heterogeneity

본 논문은 해석 가능성을 유지하면서 유연성을 높이고 풍부한 이질성을 포착하기 위해 심층 신경망(DNN)을 구조 모델(structural model)에 통합한다. 경제적(또는 과학적 또는 영역 제한) 구조와 기계 학습은 실증 모델링에서 대체물이 아니라 보완 관계이다. DNN은 복잡하고 비선형적인 이질성을 학습할 수 있는 역량을 제공하는 반면, 구조는 추정치가 해석 가능하고 의사결정 및 정책 분석에 적합하게 유지되도록 보장한다. 우리는 표준 모수 구조 모델에서 출발한 뒤 그 매개변수를 완전히 유연한 함수로 확장하고, 모델 구조가 내장된 DNN을 사용해 이를 추정한다. 소비자 선택에서의 수요 추정에 대한 적용으로 본 프레임워크를 설명한다. 수요 모델을 확장하면 풍부한 이질성을 포착하고 이를 활용해 개인화 가격 책정을 만들 수 있음을 보인다. 구조 없이는 최적화가 불가능하지만, 기계 학습 없이는 이질성을 반영할 수 없다. 동일한 교훈은 정밀 투약(precision dosing), 적응형 치료, 교육 평가, 및 기타 타깃팅 설정에도 적용된다. 제안 방법론에 대한 이론적 정당화를 제공한다. 비점근적 경계와 이중 기계 학습(double machine learning)을 통한 실행 가능한 추론을 위한 새롭고 일반적인 영향 함수(influence function)를 제시하여, 후자가 수많은 새로운 맥락에서 쉽게 적용될 수 있도록 한다. 이 결과는 선행 연구를 일반화하므로 다른 맥락에서도 관심을 가질 만하다.