論文の概要: WICA: nonlinear weighted ICA
- arxiv url: http://arxiv.org/abs/2001.04147v2
- Date: Wed, 9 Dec 2020 21:37:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-11 22:39:43.238177
- Title: WICA: nonlinear weighted ICA
- Title（参考訳）: WICA:非線形重み付きICA
- Authors: Andrzej Bedychaj, Przemys{\l}aw Spurek, Aleksandra Nowak, Jacek Tabor
- Abstract要約: 独立成分分析(ICA)は、データのコンポーネントが独立している座標系を見つけることを目的としている。
我々は、WICAと呼ばれる新しい非線形ICAモデルを構築し、他のアルゴリズムよりも優れた、より安定した結果を得る。
- 参考スコア（独自算出の注目度）: 72.02008296553318
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Independent Component Analysis (ICA) aims to find a coordinate system in
which the components of the data are independent. In this paper we construct a
new nonlinear ICA model, called WICA, which obtains better and more stable
results than other algorithms. A crucial tool is given by a new efficient
method of verifying nonlinear dependence with the use of computation of
correlation coefficients for normally weighted data. In addition, authors
propose a new baseline nonlinear mixing to perform comparable experiments, and
a~reliable measure which allows fair comparison of nonlinear models. Our code
for WICA is available on Github https://github.com/gmum/wica.
- Abstract（参考訳）: 独立成分分析(ICA)は、データのコンポーネントが独立している座標系を見つけることを目的としている。
本稿では,wicaと呼ばれる新しい非線形icaモデルを構築し,他のアルゴリズムよりも良く,より安定な結果を得る。
正規重み付きデータに対する相関係数の計算を用いて、非線形依存を検証する新しい効率的な方法によって重要なツールが与えられる。
さらに、同種の実験を行うための新しいベースライン非線形混合法と、非線形モデルの公正な比較を可能にする信頼性尺度を提案する。
wicaのコードはgithub https://github.com/gmum/wicaで入手できます。
関連論文リスト
- Ordering-Based Causal Discovery for Linear and Nonlinear Relations [7.920599542957298]
CaPSは線形および非線形関係を効果的に扱う順序付けに基づく因果探索アルゴリズムである。
実世界のデータから得られた結果は、CaPSの競争力にも寄与する。
論文 参考訳（メタデータ） (2024-10-08T10:33:18Z) - Identifiable Feature Learning for Spatial Data with Nonlinear ICA [18.480534062833673]
本稿では,高次元依存構造を持つデータに自然に適用する潜在成分を用いた新しい非線形ICAフレームワークを提案する。
特に、計算効率を誘導する前に、ディープニューラルネットワークミキシング関数とTPの組み合わせを扱うための変分法を拡張する新しい学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-11-28T15:00:11Z) - Efficient Interpretable Nonlinear Modeling for Multiple Time Series [5.448070998907116]
本稿では,複数時系列に対する効率的な非線形モデリング手法を提案する。
異なる時系列変数間の非線形相互作用を含む。
実験結果から,提案アルゴリズムは相似的にVAR係数の支持値の同定を改善することが示された。
論文 参考訳（メタデータ） (2023-09-29T11:42:59Z) - Learning new physics efficiently with nonparametric methods [11.970219534238444]
モデルに依存しない新しい物理探索のための機械学習手法を提案する。
対応するアルゴリズムは、最近のカーネルメソッドの大規模実装によって実現されている。
トレーニング時間や計算資源の観点から、ニューラルネットワークの実装と比較して、我々のアプローチは劇的なアドバンテージがあることが示される。
論文 参考訳（メタデータ） (2022-04-05T16:17:59Z) - Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
アイソメトリーを用いて、多様体学習と密度推定を分離する。
また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
論文 参考訳（メタデータ） (2022-03-08T08:57:43Z) - A Priori Denoising Strategies for Sparse Identification of Nonlinear
Dynamical Systems: A Comparative Study [68.8204255655161]
本研究では, 局所的およびグローバルな平滑化手法の性能と, 状態測定値の偏差について検討・比較する。
一般に,測度データセット全体を用いたグローバルな手法は,局所点の周辺に隣接するデータサブセットを用いる局所的手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-01-29T23:31:25Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳（メタデータ） (2020-12-29T04:08:38Z) - LQF: Linear Quadratic Fine-Tuning [114.3840147070712]
本稿では,非線形微調整に匹敵する性能を実現する事前学習モデルの線形化手法を提案する。
LQFはアーキテクチャの単純な変更、損失関数、そして一般的に分類に使用される最適化で構成されている。
論文 参考訳（メタデータ） (2020-12-21T06:40:20Z) - A polynomial-time algorithm for learning nonparametric causal graphs [18.739085486953698]
この分析はモデルフリーであり、線形性、付加性、独立ノイズ、忠実さを前提としない。
我々は、同値な分散を持つ線形模型の以前の研究と密接に関連する残差に条件を課す。
論文 参考訳（メタデータ） (2020-06-22T02:21:53Z) - Learning nonlinear dynamical systems from a single trajectory [102.60042167341956]
我々は、$x_t+1=sigma(Thetastarx_t)+varepsilon_t$という形の非線形力学系を学ぶアルゴリズムを導入する。
最適なサンプル複雑性と線形ランニング時間を持つ単一軌道から重み行列$Thetastar$を復元するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-04-30T10:42:48Z)
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。