The most widely used RANSAC variants score a candidate model by summing per-point scores that fall to zero beyond a threshold. These scores derive from the negative log-likelihood of a Gaussian-uniform mixture. The threshold separates inliers, which follow the noise model, from outliers, and it is a function of the observation noise level, also known as the inlier scale. We remove this dependence on the threshold by reversing the usual order of RANSAC inference: rather than estimating the scale and then scoring against it, we marginalize the scale in closed form for a fixed inlier partition and then optimize over partitions. The resulting score is maximized by a single sort followed by a linear sweep. A single closed-form expression spans informative and non-informative priors, so the same score adapts to datasets with extensive or limited ground-truth annotation. The proposed score has a single hyperparameter, the half-width of the uniform outlier distribution. We show that this half-width is far less sensitive to miscalibration than the inlier threshold and is easier to cross-validate. The proposed score is the first likelihood-based RANSAC score in which the inlier scale is absent from the formula. Project page: https://ransacscoringdoneright.github.io
관련 작업 간 정보를 통합하면 전이 학습, 다중 작업 학습, 연합 학습에서 추정 및 예측 성능을 향상시킬 수 있지만, 오염(contamination)과 이질성(heterogeneity)으로 인해 강건한 정보 차용(borrowing)이 어렵다. 본 연구에서는 각각 표본 크기 $n$을 가진 $K$개의 작업 중 $ε$ 비율의 작업이 임의로 오염될 수 있고 나머지 작업은 이질적인, 오염된 다중 작업 경험적 위험 최소화(ERM) 프레임워크를 연구한다. 우리의 목표는 평균 위험의 전역 최솟값과 정제된 작업별 최솟값을 모두 추정함으로써 강건성과 개인화를 동시에 달성하는 것이다. 가우시안 평균 모델에서, 공유 중심 주변의 적응적·강건 정규화, 전역 행렬 정규화, 분해 기반 정규화, 점수 기반 이상 작업 탐지 등 여러 일반적인 패러다임이 모두 $ε\sqrt{d/n}$ 차수의 최악 오염 오차를 보임을 보여주며, 이는 하한(lower bound) $ε/\sqrt{n}$에 비해 최적이 아님을 밝힌다. 이를 통해 이러한 접근법들의 차원 의존적 장벽을 식별한다. 이어서 일반적인 이질적 ERM 설정에 대한 미니맥스(minimax) 하한을 확립하고, 계산 효율적인 필터링 기반 강건 다중 작업 경사하강법을 제안한다. 국소 강볼록성(local strong convexity), 평활성(smoothness), 서브-가우시안 그래디언트 가정 하에서, 제안된 방법은 광범위한 구간에서 로그 인수(logarithmic factor)까지 미니맥스 속도에 일치하는 고확률 상한을 달성한다. 특히, 많은 정규화 기반 방법 및 점수 기반 이상 탐지에서 나타나는 추가적인 $\sqrt{d}$ 오염 의존성을 제거하면서, 강한 이질성 하에서도 로컬 작업에 대한 개인화를 달성한다. 시뮬레이션과 실제 데이터 분석은 광범위한 벤치마크 방법들에 비해 강한 강건성과 개인화를 입증한다.
강건한 기하학적 모델 추정은 컴퓨터 비전의 근본적인 문제이다. RANSAC과 그 변형들은 이 작업에 여전히 널리 사용되지만, 확률적 최소 샘플링에 의존한다. 본 논문에서는 밀집 영역을 탐색하여 반복적인 무작위 샘플링을 회피하는 결정론적 강건 추정 프레임워크인 밀도 탐색 샘플 합의(DS-SAC)를 제안한다. 가용한 점들로부터 추정된 초기 모델을 시작점으로, 전방 및 후방 탐색을 통해 지역적 탐험을 수행한다. 전역적 탐험을 위해 DS-SAC는 부호 있는 잔차를 사용하여 점 집합을 재귀적으로 분할하고, 각 유효한 분할에서 고합의 모델을 탐색한다. DS-SAC는 점의 수에 대해 다항식 복잡도를 가지며, 이를 통해 확률적 합의 기반 방법들의 효율적인 대안임을 보인다. 호모그래피, 기본 행렬(fundamental matrix), 필수 행렬(essential matrix) 추정을 위한 대규모 실세계 데이터셋에서의 실험 결과, DS-SAC는 RANSAC, MAGSAC, LO-RANSAC, GC-RANSAC을 포함한 널리 사용되는 강건 추정기들에 비해 더 높은 AUC 점수, 경쟁력 있거나 더 낮은 중앙값 포즈 오차, 그리고 더 빠른 실행 시간을 달성한다.
가짜 프로필을 통한 악의적 조작, 이산 척도 평점, 비무작위 누락 데이터 등 추천 시스템의 현실적 과제를 동시에 해결하기 위해 Robust Discrete Matrix Completion(RDMC) 방법을 제안한다. MovieLens 및 Yahoo! Music 데이터셋을 활용한 사례 연구와 시뮬레이션 실험을 통해 RDMC가 적대적 조작에 강인하면서도 안정적인 평점 예측을 제공함을 검증한다.