Fugu-MT 論文翻訳(概要): Recommendation on a Budget: Column Space Recovery from Partially Observed Entries with Random or Active Sampling

論文の概要: Recommendation on a Budget: Column Space Recovery from Partially Observed Entries with Random or Active Sampling

arxiv url: http://arxiv.org/abs/2002.11589v2
Date: Sun, 16 May 2021 00:14:54 GMT
ステータス: 処理完了
システム内更新日: 2022-12-28 14:42:30.799986
Title: Recommendation on a Budget: Column Space Recovery from Partially Observed Entries with Random or Active Sampling
Title（参考訳）: 予算の提言:ランダム・アクティブサンプリングによる部分観測点からのカラム空間の回復
Authors: Carolyn Kim, Mohsen Bayati
Abstract要約: 部分観測されたほぼ低ランク行列の列空間回復のための交互最小化を解析した。列の数が増加するにつれて、交互最小化による推定は、確率が1の傾向にある真の列空間に収束する。
参考スコア（独自算出の注目度）: 5.9394103049943485
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We analyze alternating minimization for column space recovery of a partially observed, approximately low rank matrix with a growing number of columns and a fixed budget of observations per column. In this work, we prove that if the budget is greater than the rank of the matrix, column space recovery succeeds -- as the number of columns grows, the estimate from alternating minimization converges to the true column space with probability tending to one. From our proof techniques, we naturally formulate an active sampling strategy for choosing entries of a column that is theoretically and empirically (on synthetic and real data) better than the commonly studied uniformly random sampling strategy.
Abstract（参考訳）: カラム数の増加とカラム当たりの観測予算が一定である部分観測された略低ランク行列の列空間復元のための交互最小化解析を行った。この研究で、予算が行列のランクより大きい場合、列空間の回復は成功し、列の数が増加するにつれて、交互に最小化される推定値が1の確率で真の列空間に収束する。提案手法から,一様ランダムサンプリング手法よりも理論的,経験的に(合成および実データ上で)優れた列のエントリを選択するためのアクティブサンプリング戦略を自然に定式化する。

関連論文リスト

Model-free Low-Rank Reinforcement Learning via Leveraged Entry-wise Matrix Estimation [48.92318828548911]
政策改善と政策評価の段階を交互に行うモデルフリー学習アルゴリズムであるLoRa-PI(Low-Rank Policy Iteration)を提案する。 LoRa-PIは$widetildeO(S+Aover mathrmpoly (1-gamma)varepsilon2)$サンプルを使用して$varepsilon$-optimal Policyを学習する。
論文参考訳（メタデータ） (2024-10-30T20:22:17Z)
Machine Learning-Enhanced Ant Colony Optimization for Column Generation [5.82410475933163]
列生成は、多数の変数や列を含む最適化問題を解決するための強力な手法である。サブプロブレムから複数の高品質カラムを効率よく生成する機械学習強化アリコロニー最適化(MLACO)を提案する。
論文参考訳（メタデータ） (2024-04-23T01:00:09Z)
Statistical Inference For Noisy Matrix Completion Incorporating Auxiliary Information [3.9748528039819977]
本稿では,半教師付きモデルにおける雑音行列補完の統計的推測について検討する。検討した文脈において,反復最小二乗(LS)推定手法を適用した。提案手法は数回の反復しか必要とせず、結果として得られる低ランク行列と係数行列のエントリーワイズ推定器は正規分布を持つことが保証されている。
論文参考訳（メタデータ） (2024-03-22T01:06:36Z)
Sparse PCA with Oracle Property [115.72363972222622]
新規な正規化を伴うスパースPCAの半定緩和に基づく推定器群を提案する。我々は、家族内の別の推定器が、スパースPCAの標準半定緩和よりも、より急激な収束率を達成することを証明した。
論文参考訳（メタデータ） (2023-12-28T02:52:54Z)
Fair Column Subset Selection [6.004035936737586]
行列列を2つの群に分割した設定を考え,その目的は2つの群の最大誤差再構成を最小限に抑える列の部分集合を選択することである。特定のシナリオでは、各グループごとに列を別々に選ぶことは避けられないため、期待される列数を2倍にする。フェアセッティングのための決定論的レバレッジスコアサンプリング戦略を提案し、2つのグループが存在する場合、最小サイズのカラムサブセットのサンプリングがNPハードとなることを示す。
論文参考訳（メタデータ） (2023-06-07T15:00:38Z)
One-sided Matrix Completion from Two Observations Per Row [95.87811229292056]
行列の欠落値を$XTX$で計算する自然アルゴリズムを提案する。合成データの一方の回収と低被覆ゲノムシークエンシングについて,本アルゴリズムの評価を行った。
論文参考訳（メタデータ） (2023-06-06T22:35:16Z)
Nonlinear matrix recovery using optimization on the Grassmann manifold [18.655422834567577]
本研究では,列が部分空間の結合などの非線形構造に従う部分観測された高階クラスタリング行列の復元問題について検討する。交代極限はクルディカ・ロジャシ性質を用いて一意点に収束することを示す。
論文参考訳（メタデータ） (2021-09-13T16:13:13Z)
Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文参考訳（メタデータ） (2021-04-13T23:21:01Z)
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)
Robust Low-rank Matrix Completion via an Alternating Manifold Proximal Gradient Continuation Method [47.80060761046752]
ロバスト低ランク行列補完(RMC)は、コンピュータビジョン、信号処理、機械学習アプリケーションのために広く研究されている。この問題は、部分的に観察された行列を低ランク行列とスパース行列の重ね合わせに分解することを目的とした。 RMCに取り組むために広く用いられるアプローチは、低ランク行列の核ノルム(低ランク性を促進するために)とスパース行列のl1ノルム(空間性を促進するために)を最小化する凸定式化を考えることである。本稿では、近年のローワークの動機付けについて述べる。
論文参考訳（メタデータ） (2020-08-18T04:46:22Z)
Robust Matrix Completion with Mixed Data Types [0.0]
我々は,データ型が混在する部分的なエントリを持つ構造的低ランク行列を復元する問題を考察する。ほとんどのアプローチは、基礎となる分布は1つしかないと仮定し、低階の制約は、行列 Satten Norm によって正則化される。本稿では, 並列化に適したアルゴリズムフレームワークとともに, 高い回復保証を有する計算可能な統計手法を提案し, 混合データ型に対する部分的に観測されたエントリを持つ低階行列を1ステップで復元する。
論文参考訳（メタデータ） (2020-05-25T21:35:10Z)

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。