Fugu-MT 論文翻訳(概要): Common Information Components Analysis

論文の概要: Common Information Components Analysis

arxiv url: http://arxiv.org/abs/2002.00779v3
Date: Fri, 28 Feb 2020 10:35:53 GMT
ステータス: 処理完了
システム内更新日: 2023-01-04 09:32:38.168631
Title: Common Information Components Analysis
Title（参考訳）: 共通情報成分分析
Authors: Michael Gastpar and Erixhen Sula
Abstract要約: 我々は、カノニカル相関分析(CCA)の情報理論的解釈を与える。 CCAは2つの高次元データセットから、データセット間の共通性をキャプチャする低次元記述(機能)を抽出することができる。我々の解釈はまず、あらかじめ選択された解像度レベルまで共通の情報を抽出し、各データセットに投影する。
参考スコア（独自算出の注目度）: 23.72210628652871
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We give an information-theoretic interpretation of Canonical Correlation Analysis (CCA) via (relaxed) Wyner's common information. CCA permits to extract from two high-dimensional data sets low-dimensional descriptions (features) that capture the commonalities between the data sets, using a framework of correlations and linear transforms. Our interpretation first extracts the common information up to a pre-selected resolution level, and then projects this back onto each of the data sets. In the case of Gaussian statistics, this procedure precisely reduces to CCA, where the resolution level specifies the number of CCA components that are extracted. This also suggests a novel algorithm, Common Information Components Analysis (CICA), with several desirable features, including a natural extension to beyond just two data sets.
Abstract（参考訳）: 我々は(相対)ワイナーの共通情報を用いて、正準相関解析(cca)の情報理論的な解釈を行う。 CCAは、相関関係と線形変換の枠組みを用いて、データセット間の共通性を捉える2つの高次元データセット(機能)から抽出することができる。我々の解釈はまず、あらかじめ選択された解像度レベルまで共通の情報を抽出し、各データセットに投影する。ガウス統計の場合、この手順は正確にCCAに還元され、分解能レベルは抽出されたCAA成分の数を指定する。これはまた、2つのデータセット以上の自然な拡張を含むいくつかの望ましい特徴を持つ新しいアルゴリズムであるCommon Information Components Analysis (CICA)も提案している。

関連論文リスト

Quantifying Spuriousness of Biased Datasets Using Partial Information Decomposition [14.82261635235695]
純粋パターン(spurious pattern)とは、因果関係のないデータセットにおける2つ以上の変数間の数学的関連である。本研究は,PID(Partial Information Decomposition)と呼ばれる数学的枠組みを用いて,データセット(スプリアス特徴とコア特徴の分割を含む)におけるスプリアス性の最初の情報理論的な定式化を提示する。我々は、刺激的特徴と中核的特徴が他の対象変数について共有する結合情報内容、すなわちユニーク、冗長、シナジスティックな情報を分離する。
論文参考訳（メタデータ） (2024-06-29T16:05:47Z)
Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文参考訳（メタデータ） (2024-02-03T19:00:19Z)
Learning Representations without Compositional Assumptions [79.12273403390311]
本稿では,特徴集合をグラフノードとして表現し,それらの関係を学習可能なエッジとして表現することで,特徴集合の依存関係を学習するデータ駆動型アプローチを提案する。また,複数のビューから情報を動的に集約するために,より小さな潜在グラフを学習する新しい階層グラフオートエンコーダLEGATOを導入する。
論文参考訳（メタデータ） (2023-05-31T10:36:10Z)
Gacs-Korner Common Information Variational Autoencoder [102.89011295243334]
本稿では,2つの変数間で共有される情報の定量化と分離を可能にする共通情報の概念を提案する。画像やビデオなどの高次元データでも意味論的に意味のある共通要素や特徴要因を学習できることを実証する。
論文参考訳（メタデータ） (2022-05-24T17:47:26Z)
Effect Identification in Cluster Causal Diagrams [51.42809552422494]
クラスタ因果図(略してC-DAG)と呼ばれる新しいタイプのグラフィカルモデルを導入する。 C-DAGは、限定された事前知識に基づいて変数間の関係を部分的に定義することができる。我々はC-DAGに対する因果推論のための基礎と機械を開発する。
論文参考訳（メタデータ） (2022-02-22T21:27:31Z)
Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
論文参考訳（メタデータ） (2021-10-26T08:54:41Z)
Class-Wise Principal Component Analysis for hyperspectral image feature extraction [0.0]
本稿では,超スペクトルデータの教師付き特徴抽出法であるクラスワイズ主成分分析について述べる。次元削減は超スペクトル画像分類タスクを補完する重要な前処理ステップである。
論文参考訳（メタデータ） (2021-04-09T17:25:11Z)
Multilinear Common Component Analysis via Kronecker Product Representation [0.0]
複数のテンソルデータセットから共通構造を抽出する問題を考察する。モードワイド共分散行列のKronecker積に基づく多線形共通成分分析(MCCA)を提案する。我々は,モードワイドのグローバル収束を保証するMCCAの推定アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-09-06T10:03:17Z)
Sparse Generalized Canonical Correlation Analysis: Distributed Alternating Iteration based Approach [18.93565942407577]
Sparse Canonical correlation analysis (CCA) はスパース構造を用いた潜伏情報検出に有用な統計ツールである。本稿では,多視点データとスパース構造との潜在関係を検出可能な一般標準相関解析(GCCA)を提案する。
論文参考訳（メタデータ） (2020-04-23T05:53:48Z)
Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文参考訳（メタデータ） (2020-04-07T04:07:29Z)
D-GCCA: Decomposition-based Generalized Canonical Correlation Analysis for Multi-view High-dimensional Data [11.184915338554422]
高次元多視点データ分析における一般的なモデルは、各ビューのデータ行列を、すべてのデータビューに共通する潜在因子によって生成される低ランクの共通ソース行列に分解する。本稿では,分解に基づく一般化正準相関解析(D-GCCA)と呼ばれる新しい分解法を提案する。我々のD-GCCAは、共通成分と特異成分を正準変数から分離することにより、一般化された正準相関解析よりも一歩前進する。
論文参考訳（メタデータ） (2020-01-09T06:35:40Z)

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。