論文の概要: Sparse principal component regression via singular value decomposition approach

• arxiv url: http://arxiv.org/abs/2002.09188v1
• Date: Fri, 21 Feb 2020 09:03:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 01:00:08.247104
• Title: Sparse principal component regression via singular value decomposition approach
• Title（参考訳）: 特異値分解法によるスパース主成分の回帰
• Authors: Shuichi Kawano
• Abstract要約: 主成分レグレッション(プライマリコンポーネントレグレッション)は2段階のプロシージャである。 PCAは説明変数のみを用いて実行されるため、主成分は応答変数に関する情報を持たない。 特異値分解法を応用した一段階PCR法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Principal component regression (PCR) is a two-stage procedure: the first stage performs principal component analysis (PCA) and the second stage constructs a regression model whose explanatory variables are replaced by principal components obtained by the first stage. Since PCA is performed by using only explanatory variables, the principal components have no information about the response variable. To address the problem, we propose a one-stage procedure for PCR in terms of singular value decomposition approach. Our approach is based upon two loss functions, a regression loss and a PCA loss, with sparse regularization. The proposed method enables us to obtain principal component loadings that possess information about both explanatory variables and a response variable. An estimation algorithm is developed by using alternating direction method of multipliers. We conduct numerical studies to show the effectiveness of the proposed method.
• Abstract（参考訳）: 第1段階は主成分分析(pca)を行い、第2段階は説明変数が第1段階によって得られた主成分に置き換えられる回帰モデルを構成する。 PCAは説明変数のみを用いて実行されるため、主成分は応答変数に関する情報を持たない。 この問題に対処するため,特異値分解法の観点からPCRの1段階手順を提案する。 本手法は, 2つの損失関数, 回帰損失, PCA損失, スパース正規化に基づく。 提案手法により,説明変数と応答変数の両方に関する情報を有する主成分ローディングを得ることができる。 乗算器の交互方向法を用いて推定アルゴリズムを開発した。 提案手法の有効性を示すために数値実験を行った。

関連論文リスト

• Adaptive Principal Component Regression with Applications to Panel Data [29.295938927701396]
  我々は、(正規化)主成分回帰に対する最初の時間一様有限標本保証を提供する。 結果は,現代のマルティンゲール濃度から変量設定への適応ツールに頼っている。 提案手法は,エラー・イン・変数の回帰を利用していないベースラインを経験的に上回ることを示す。
  論文  参考訳（メタデータ） (2023-07-03T21:13:40Z)
• Invertible Kernel PCA with Random Fourier Features [0.22940141855172028]
  カーネル主成分分析(kPCA)は、非線形変換後の低次元データ表現を構築するために広く研究されている手法である。 圧縮工程から自然に復元を行う方法を提案する。 ikPCA は kPCA と同様の動作を示し,タスクの復調を指導的に行うことで,強力な代替手段であることを示す。
  論文  参考訳（メタデータ） (2023-03-09T05:42:10Z)
• Vector-Valued Least-Squares Regression under Output Regularity Assumptions [73.99064151691597]
  最小二乗回帰問題を無限次元出力で解くために,還元ランク法を提案し,解析する。 提案手法の学習バウンダリを導出し、フルランク手法と比較して統計的性能の設定を改善する研究を行う。
  論文  参考訳（メタデータ） (2022-11-16T15:07:00Z)
• Local manifold learning and its link to domain-based physics knowledge [53.15471241298841]
  多くの反応系では、熱化学状態空間は低次元多様体(LDM)に近く進化すると仮定される。 局所的データクラスタ(ローカルPCA)に適用されたPCAは,熱化学状態空間の固有パラメータ化を検出することができることを示す。
  論文  参考訳（メタデータ） (2022-07-01T09:06:25Z)
• Dimensionality Reduction and Wasserstein Stability for Kernel Regression [1.3812010983144802]
  まず,入力変数の次元を小さくし,第2に削減された入力変数を用いて,カーネル回帰による出力変数の予測を行う。 結果の回帰誤差を分析するために、ワッサーシュタイン距離に対するカーネル回帰の新しい安定性結果が導出される。
  論文  参考訳（メタデータ） (2022-03-17T14:26:28Z)
• Poseur: Direct Human Pose Regression with Transformers [119.79232258661995]
  単一画像からの2次元人間のポーズ推定に対する直接回帰に基づくアプローチを提案する。 私たちのフレームワークはエンドツーエンドの差別化が可能で、キーポイント間の依存関係を自然に活用することを学びます。 我々のアプローチは、最も優れたヒートマップベースのポーズ推定手法と比較して好意的に機能する最初の回帰ベースのアプローチである。
  論文  参考訳（メタデータ） (2022-01-19T04:31:57Z)
• Sufficient Dimension Reduction for High-Dimensional Regression and Low-Dimensional Embedding: Tutorial and Survey [5.967999555890417]
  本論文は,SDRのための各種手法に関するチュートリアルおよび調査論文である。 本稿では,これらの手法を,統計的高次元回帰的視点と,次元削減のための機械学習アプローチの両方でカバーする。
  論文  参考訳（メタデータ） (2021-10-18T21:05:08Z)
• AgFlow: Fast Model Selection of Penalized PCA via Implicit Regularization Effects of Gradient Flow [64.81110234990888]
  主成分分析(PCA)は特徴抽出と次元減少の有効な手法として広く用いられている。 High Dimension Low Sample Size (HDLSS) 設定では、ペナル化ロードを備えた修正主成分が好まれる。 ペナル化PCAの高速モデル選択法として近似勾配流(AgFlow)を提案する。
  論文  参考訳（メタデータ） (2021-10-07T08:57:46Z)
• TFPose: Direct Human Pose Estimation with Transformers [83.03424247905869]
  ポーズ推定タスクを変換器で効果的に解くことができるシーケンス予測問題に定式化します。 我々のフレームワークは単純で直接的であり、ヒートマップに基づくポーズ推定の欠点を回避している。 MS-COCOおよびMPIIデータセットの実験は、この手法が回帰ベースのポーズ推定の最先端を大幅に改善できることを示しています。
  論文  参考訳（メタデータ） (2021-03-29T04:18:54Z)
• Supervised PCA: A Multiobjective Approach [70.99924195791532]
  制御主成分分析法(SPCA) 本研究では,これらの目的を両立させる新しいSPCA手法を提案する。 この手法は、任意の教師付き学習損失に対応し、統計的再構成により、一般化された線形モデルの新しい低ランク拡張を提供する。
  論文  参考訳（メタデータ） (2020-11-10T18:46:58Z)

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。