論文の概要: Online high rank matrix completion

• arxiv url: http://arxiv.org/abs/2002.08934v1
• Date: Thu, 20 Feb 2020 18:31:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 07:00:02.467068
• Title: Online high rank matrix completion
• Title（参考訳）: オンライン高階行列完備化
• Authors: Jicong Fan and Madeleine Udell
• Abstract要約: 行列補完の最近の進歩は、低次元(非線形)潜在構造を利用して、フルランク行列におけるデータ計算を可能にする。 我々は,高階行列補完のための新しいモデルと,そのモデルとサンプル外拡張に適合するバッチおよびオンライン手法を開発した。
• 参考スコア（独自算出の注目度）: 39.570686604641836
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in matrix completion enable data imputation in full-rank matrices by exploiting low dimensional (nonlinear) latent structure. In this paper, we develop a new model for high rank matrix completion (HRMC), together with batch and online methods to fit the model and out-of-sample extension to complete new data. The method works by (implicitly) mapping the data into a high dimensional polynomial feature space using the kernel trick; importantly, the data occupies a low dimensional subspace in this feature space, even when the original data matrix is of full-rank. We introduce an explicit parametrization of this low dimensional subspace, and an online fitting procedure, to reduce computational complexity compared to the state of the art. The online method can also handle streaming or sequential data and adapt to non-stationary latent structure. We provide guidance on the sampling rate required these methods to succeed. Experimental results on synthetic data and motion capture data validate the performance of the proposed methods.
• Abstract（参考訳）: 行列補完の最近の進歩は、低次元(非線形)潜在構造を利用して、フルランク行列におけるデータインプテーションを可能にする。 本稿では,高階行列補完(HRMC)のための新しいモデルと,そのモデルに適合するバッチおよびオンライン手法を開発し,新しいデータを完成させる。 この方法は、カーネルトリックを用いて、データを高次元の多項式特徴空間に(単純に)マッピングすることで機能し、さらに、元のデータ行列がフルランクであっても、この特徴空間の低次元部分空間を占有する。 本稿では,この低次元部分空間の明示的なパラメトリゼーションとオンラインフィッティング手順を導入し,計算の複雑さをアートの状況と比較して低減する。 オンラインメソッドはストリーミングやシーケンシャルなデータを扱うこともでき、非定常的潜在構造にも適応できる。 これらの手法が成功するために必要なサンプリング率に関するガイダンスを提供する。 合成データとモーションキャプチャデータによる実験結果から,提案手法の有効性が検証された。

関連論文リスト

• Hierarchical Features Matter: A Deep Exploration of GAN Priors for Improved Dataset Distillation [51.44054828384487]
  階層的生成潜在蒸留(H-GLaD)と呼ばれる新しいパラメータ化法を提案する。 本手法はGAN内の階層層を系統的に探索する。 さらに,合成データセット評価に伴う計算負担を軽減するために,新しいクラス関連特徴距離尺度を導入する。
  論文  参考訳（メタデータ） (2024-06-09T09:15:54Z)
• Mode-wise Principal Subspace Pursuit and Matrix Spiked Covariance Model [13.082805815235975]
  行列データに対して行次元と列次元の両方に隠れたバリエーションを抽出するために,モードワイド・プリンシパル・サブスペース・スーツ (MOP-UP) と呼ばれる新しいフレームワークを導入する。 提案フレームワークの有効性と実用性は、シミュレーションと実データの両方の実験を通して実証される。
  論文  参考訳（メタデータ） (2023-07-02T13:59:47Z)
• Linearly-scalable learning of smooth low-dimensional patterns with permutation-aided entropic dimension reduction [0.0]
  多くのデータサイエンス応用において、高次元データセットから適切に順序付けられた滑らかな低次元データパターンを抽出することが目的である。 本研究では, ユークリッドの滑らか度をパターン品質基準として選択する場合, これらの問題を数値的に効率的に解けることを示す。
  論文  参考訳（メタデータ） (2023-06-17T08:03:24Z)
• Multi-Linear Kernel Regression and Imputation in Data Manifolds [12.15802365851407]
  本稿では、データ回帰とインプットのための効率的なマルチ線形非パラメトリック近似フレームワークとその動的磁気共鳴イメージング(dMRI)への応用について紹介する。 データ特徴は、ヒルベルト空間を再現するカーネルに埋め込まれた滑らかな多様体に、あるいは近くに存在すると仮定される。ランドマーク点は、接空間の概念を滑らかに模倣する線形近似パッチにより、特徴の点雲を記述するために特定される。 マルチ線形モデルは次元の削減に影響を及ぼし、効率的な計算を可能にし、トレーニングデータや追加情報なしでデータパターンとその幾何学を抽出する。
  論文  参考訳（メタデータ） (2023-04-06T12:58:52Z)
• Manifold embedding data-driven mechanics [0.0]
  本稿では、可逆ニューラルネットワークによって生成された多様体の埋め込みを利用する、新しいデータ駆動型アプローチを紹介する。 深層ニューラルネットワークを訓練して、多様体から低次元ユークリッドベクトル空間にデータをグローバルにマッピングする。
  論文  参考訳（メタデータ） (2021-12-18T04:38:32Z)
• A Local Similarity-Preserving Framework for Nonlinear Dimensionality Reduction with Neural Networks [56.068488417457935]
  本稿では,Vec2vecという新しい局所非線形手法を提案する。 ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。 8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2021-03-10T23:10:47Z)
• 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)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)
• Learning to Guide Random Search [111.71167792453473]
  我々は、潜在低次元多様体上の高次元関数の微分自由最適化を考える。 最適化を行いながらこの多様体を学習するオンライン学習手法を開発した。 本研究では,連続最適化ベンチマークと高次元連続制御問題について実験的に評価する。
  論文  参考訳（メタデータ） (2020-04-25T19:21:14Z)

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。