論文の概要: Columnwise Element Selection for Computationally Efficient Nonnegative Coupled Matrix Tensor Factorization

• arxiv url: http://arxiv.org/abs/2003.03506v1
• Date: Sat, 7 Mar 2020 03:34:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 19:13:30.072328
• Title: Columnwise Element Selection for Computationally Efficient Nonnegative Coupled Matrix Tensor Factorization
• Title（参考訳）: 計算効率の良い非負結合行列テンソル因子分解のためのカラムワイズ要素選択
• Authors: Thirunavukarasu Balasubramaniam, Richi Nayak, Chau Yuen
• Abstract要約: 非負のCMTF (N-CMTF) は、潜在パターン、予測、レコメンデーションを識別するための多くのアプリケーションで使われている。 本稿では,カラム単位の要素選択に基づいて計算効率の良いN-CMTF分解アルゴリズムを提案し,頻繁な勾配更新を防止する。
• 参考スコア（独自算出の注目度）: 16.466065626950424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Coupled Matrix Tensor Factorization (CMTF) facilitates the integration and analysis of multiple data sources and helps discover meaningful information. Nonnegative CMTF (N-CMTF) has been employed in many applications for identifying latent patterns, prediction, and recommendation. However, due to the added complexity with coupling between tensor and matrix data, existing N-CMTF algorithms exhibit poor computation efficiency. In this paper, a computationally efficient N-CMTF factorization algorithm is presented based on the column-wise element selection, preventing frequent gradient updates. Theoretical and empirical analyses show that the proposed N-CMTF factorization algorithm is not only more accurate but also more computationally efficient than existing algorithms in approximating the tensor as well as in identifying the underlying nature of factors.
• Abstract（参考訳）: Coupled Matrix Tensor Factorization (CMTF)は、複数のデータソースの統合と分析を促進し、意味のある情報を見つけるのに役立つ。 非負のCMTF (N-CMTF) は、潜在パターン、予測、レコメンデーションを識別するための多くのアプリケーションで使われている。 しかし、テンソルデータと行列データの結合による複雑さの増大により、既存のN-CMTFアルゴリズムは計算効率が劣る。 本稿では,カラム単位の要素選択に基づいて計算効率の良いN-CMTF分解アルゴリズムを提案し,頻繁な勾配更新を防止する。 理論および経験的解析により、提案手法はテンソルの近似や因子の基底的性質の同定において、既存のアルゴリズムよりも精度が高いだけでなく、計算効率も高いことが示された。

関連論文リスト

• Coseparable Nonnegative Tensor Factorization With T-CUR Decomposition [2.013220890731494]
  非負行列因子化(NMF)は、データから意味のある特徴を抽出する重要な教師なし学習手法である。 本研究では,コセプタブルコアを選択するための交互選択法を提案する。 その結果, 分離可能なNMFと比較して, 分離可能なNTFの有効性が示された。
  論文  参考訳（メタデータ） (2024-01-30T09:22:37Z)
• Stochastic Optimization for Non-convex Problem with Inexact Hessian Matrix, Gradient, and Function [99.31457740916815]
  信頼領域(TR)と立方体を用いた適応正則化は、非常に魅力的な理論的性質を持つことが証明されている。 TR法とARC法はヘッセン関数,勾配関数,関数値の非コンパクトな計算を同時に行うことができることを示す。
  論文  参考訳（メタデータ） (2023-10-18T10:29:58Z)
• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• Fast Learnings of Coupled Nonnegative Tensor Decomposition Using Optimal Gradient and Low-rank Approximation [7.265645216663691]
  交互勾配法(CoNCPD-APG)により最適化された新しい非負のCANDECOMP/PARAFAC分解アルゴリズムを提案する。 提案手法は,低ランク近似をCONCPD-APG法と組み合わせることで,分解品質を損なうことなく計算負担を大幅に削減することができる。
  論文  参考訳（メタデータ） (2023-02-10T08:49:36Z)
• Improved Algorithms for Neural Active Learning [74.89097665112621]
  非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。 本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
  論文  参考訳（メタデータ） (2022-10-02T05:03:38Z)
• Non-Negative Matrix Factorization with Scale Data Structure Preservation [23.31865419578237]
  本稿では,データ表現と次元縮小のために設計された非負行列分解法に属するモデルについて述べる。 この考え方は、NMFコスト関数に、元のデータポイントと変換されたデータポイントのペアの類似度行列のスケール関係を課すペナルティ項を追加することである。 提案したクラスタリングアルゴリズムは,既存のNMFベースのアルゴリズムや,実際のデータセットに適用した場合の多様体学習ベースのアルゴリズムと比較される。
  論文  参考訳（メタデータ） (2022-09-22T09:32:18Z)
• Federated Learning via Inexact ADMM [46.99210047518554]
  本稿では,乗算器の不正確な交互方向法(ADMM)を提案する。 どちらも通信効率が高く、ストラグラー効果と戦うことができ、穏やかな条件下で収束する。 フェデレート学習のためのいくつかの最先端アルゴリズムと比較して高い数値性能を持つ。
  論文  参考訳（メタデータ） (2022-04-22T09:55:33Z)
• AsySQN: Faster Vertical Federated Learning Algorithms with Better Computation Resource Utilization [159.75564904944707]
  垂直連合学習(VFL)のための非同期準ニュートン(AsySQN)フレームワークを提案する。 提案アルゴリズムは、逆ヘッセン行列を明示的に計算することなく、近似して降下ステップをスケールする。 本稿では,非同期計算を採用することにより,計算資源の有効利用が期待できることを示す。
  論文  参考訳（メタデータ） (2021-09-26T07:56:10Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• A Flexible Optimization Framework for Regularized Matrix-Tensor Factorizations with Linear Couplings [5.079136838868448]
  行列とテンソルの分解を結合するフレキシブルなアルゴリズムフレームワークを提案する。 このフレームワークは、様々な制約、損失関数、線形変換との結合の使用を容易にする。
  論文  参考訳（メタデータ） (2020-07-19T06:49:59Z)
• Efficient Nonnegative Tensor Factorization via Saturating Coordinate Descent [16.466065626950424]
  本稿では,要素選択手法を用いた高速かつ効率的なNTFアルゴリズムを提案する。 経験的解析により,提案アルゴリズムはテンソルサイズ,密度,ランクの点でスケーラブルであることがわかった。
  論文  参考訳（メタデータ） (2020-03-07T12:51:52Z)

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。