論文の概要: Nonconvex Matrix Completion with Linearly Parameterized Factors
- arxiv url: http://arxiv.org/abs/2003.13153v2
- Date: Mon, 7 Mar 2022 21:09:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 13:21:32.035754
- Title: Nonconvex Matrix Completion with Linearly Parameterized Factors
- Title(参考訳): 線形パラメータ化係数をもつ非凸行列補完
- Authors: Ji Chen, Xiaodong Li, Zongming Ma
- Abstract要約: パラメトリック因子化は、部分空間や完了シミュレーションを含む重要な例を示す。
また, 統一的非制約行列最適化法の有効性について述べる。
- 参考スコア(独自算出の注目度): 10.163102766021373
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Techniques of matrix completion aim to impute a large portion of missing
entries in a data matrix through a small portion of observed ones. In practice
including collaborative filtering, prior information and special structures are
usually employed in order to improve the accuracy of matrix completion. In this
paper, we propose a unified nonconvex optimization framework for matrix
completion with linearly parameterized factors. In particular, by introducing a
condition referred to as Correlated Parametric Factorization, we can conduct a
unified geometric analysis for the nonconvex objective by establishing uniform
upper bounds for low-rank estimation resulting from any local minimum. Perhaps
surprisingly, the condition of Correlated Parametric Factorization holds for
important examples including subspace-constrained matrix completion and
skew-symmetric matrix completion. The effectiveness of our unified nonconvex
optimization method is also empirically illustrated by extensive numerical
simulations.
- Abstract(参考訳): 行列補完の技法は、観測された部分のごく一部を通して、データマトリックスの欠落したエントリの大部分をインプットすることを目的としている。
協調フィルタリングを含む実践では、行列完成の精度を向上させるために、通常、事前情報や特殊構造が用いられる。
本稿では,線形パラメータ化因子を用いた行列補完のための統一非凸最適化フレームワークを提案する。
特に、相関パラメトリック因子分解と呼ばれる条件を導入することで、任意の局所最小値から生じる低ランク推定のための一様上界を確立することにより、非凸対象に対する統一幾何解析を行うことができる。
おそらく、Correlated Parametric Factorizationの条件は、部分空間制約行列の完備化やスキュー対称行列の完備化など、重要な例に当てはまる。
本手法の有効性は,広範囲な数値シミュレーションによって実証的に示される。
関連論文リスト
- Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。
MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。
理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
論文 参考訳(メタデータ) (2023-08-26T06:12:33Z) - The Inductive Bias of Flatness Regularization for Deep Matrix
Factorization [58.851514333119255]
この研究は、ディープ線形ネットワークにおけるヘッセン解の最小トレースの帰納バイアスを理解するための第一歩となる。
測定値の標準等尺性(RIP)が1より大きいすべての深さについて、ヘッセンのトレースを最小化することは、対応する終端行列パラメータのシャッテン 1-ノルムを最小化するのとほぼ同値であることを示す。
論文 参考訳(メタデータ) (2023-06-22T23:14:57Z) - Automatic Hyperparameter Tuning in Sparse Matrix Factorization [0.0]
スパース行列における正規化係数のゼロ点を評価することで,新しいパラメータチューニング法を提案する。
提案手法は, 大域的主成分分析アルゴリズムとの比較により, 地中スパルス行列再構成における優れた性能を示す。
論文 参考訳(メタデータ) (2023-05-17T10:40:17Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のための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。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳(メタデータ) (2022-10-21T13:19:45Z) - Algorithmic Regularization in Model-free Overparametrized Asymmetric
Matrix Factorization [16.325663190517773]
我々は、任意の過パラメータ化を持つ自然な非定式化の下で、非対称な分解問題を考察する。
観測された行列に対して最高の低ランク近似を生成する。
論文 参考訳(メタデータ) (2022-03-06T00:07:53Z) - Adversarially-Trained Nonnegative Matrix Factorization [77.34726150561087]
非負行列ファクタリゼーションの逆学習版を検討する。
我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。
辞書と係数行列を最適化するために, 逆学習に触発された効率的なアルゴリズムを設計する。
論文 参考訳(メタデータ) (2021-04-10T13:13:17Z) - Exact Linear Convergence Rate Analysis for Low-Rank Symmetric Matrix
Completion via Gradient Descent [22.851500417035947]
因数分解に基づく勾配降下は、因数分解行列の完備化を解くためのスケーラブルで効率的なアルゴリズムである。
勾配勾配降下は, 地球自然問題の解を推定するために, 高速収束を楽しむことを示す。
論文 参考訳(メタデータ) (2021-02-04T03:41:54Z) - Beyond Procrustes: Balancing-Free Gradient Descent for Asymmetric
Low-Rank Matrix Sensing [36.96922859748537]
低ランク行列推定は、科学と工学のさまざまなアプリケーションで中心的な役割を果たします。
既存のアプローチは、2つの行列因子のスケールのバランスをとるために計量正規化項を加えることに頼っている。
本論文では,低ランク行列の線形測定値の少ない値から回復する性能の理論的正当化について述べる。
論文 参考訳(メタデータ) (2021-01-13T15:03:52Z) - Understanding Implicit Regularization in Over-Parameterized Single Index
Model [55.41685740015095]
我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。
暗黙正則化現象の理論的保証を提供する。
論文 参考訳(メタデータ) (2020-07-16T13:27:47Z) - Asymptotic Analysis of an Ensemble of Randomly Projected Linear
Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。
我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。
また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文 参考訳(メタデータ) (2020-04-17T12:47:04Z)
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。