Fugu-MT 論文翻訳(概要): Regularized L21-Based Semi-NonNegative Matrix Factorization

論文の概要: Regularized L21-Based Semi-NonNegative Matrix Factorization

arxiv url: http://arxiv.org/abs/2005.04602v1
Date: Sun, 10 May 2020 08:19:51 GMT
ステータス: 処理完了
システム内更新日: 2022-12-05 01:37:37.643748
Title: Regularized L21-Based Semi-NonNegative Matrix Factorization
Title（参考訳）: 正則化l21系半非負行列因子分解
Authors: Anthony D. Rhodes, Bin Jiang
Abstract要約: 汎用データ圧縮アルゴリズムである正規化L21半負行列分解(L21 SNF)を提案する。 L21 SNFは、高い忠実度、個々のデータ点再構成が最重要である混合符号データに適用可能な、堅牢な部分ベースの圧縮を提供する。
参考スコア（独自算出の注目度）: 5.566946186234262
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present a general-purpose data compression algorithm, Regularized L21 Semi-NonNegative Matrix Factorization (L21 SNF). L21 SNF provides robust, parts-based compression applicable to mixed-sign data for which high fidelity, individualdata point reconstruction is paramount. We derive a rigorous proof of convergenceof our algorithm. Through experiments, we show the use-case advantages presentedby L21 SNF, including application to the compression of highly overdeterminedsystems encountered broadly across many general machine learning processes.
Abstract（参考訳）: 本稿では,汎用データ圧縮アルゴリズムである正規化L21半負行列分解(L21 SNF)を提案する。 l21 snfは、高い忠実度、個別データ点再構成が最重要となる混合符号データに適用可能な、堅牢な部品ベースの圧縮を提供する。我々はアルゴリズムの収束の厳密な証明を得る。実験を通じて、L21 SNFが提示するユースケースの利点を示し、多くの一般的な機械学習プロセスで発生する過度に決定されたシステムの圧縮に適用する。

関連論文リスト

Data Compression using Rank-1 Lattices for Parameter Estimation in Machine Learning [0.0]
平均二乗誤差と正規化バージョンは、教師付き機械学習における標準的な損失関数である。広範データセットをランク1格子を用いてより小さなサイズに縮小するアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-09-20T12:35:24Z)
Slicing Mutual Information Generalization Bounds for Neural Networks [14.48773730230054]
我々は、ディープラーニングアルゴリズムに適した、より厳密な情報理論の一般化バウンダリを導入する。我々の境界は、標準MI境界よりも有意な計算的および統計的優位性を提供する。パラメータがランダムな部分空間に正確に横たわる必要がないアルゴリズムに解析を拡張します。
論文参考訳（メタデータ） (2024-06-06T13:15:37Z)
Sample-Efficient Multi-Agent RL: An Optimization Perspective [103.35353196535544]
一般関数近似に基づく汎用マルコフゲーム(MG)のためのマルチエージェント強化学習(MARL)について検討した。汎用MGに対するマルチエージェントデカップリング係数(MADC)と呼ばれる新しい複雑性尺度を導入する。我々のアルゴリズムは既存の研究に匹敵するサブリニアな後悔を与えることを示す。
論文参考訳（メタデータ） (2023-10-10T01:39:04Z)
Generalization Guarantees via Algorithm-dependent Rademacher Complexity [33.408679482592426]
本稿では,アルゴリズムおよびデータ依存仮説クラスの経験的ラデマッハ複雑性である一般化誤差を制御する尺度を提案する。有限フラクタル次元に基づく新しい境界を得るが、これは (a) 従来のフラクタル型境界を連続的な仮説クラスから有限的な仮説クラスに拡張し、 (b) 相互情報項を避ける。
論文参考訳（メタデータ） (2023-07-04T18:37:38Z)
Low-Rank Prune-And-Factorize for Language Model Compression [18.088550230146247]
マトリックスの分解は、中程度から高い圧縮速度で良好な性能を維持することができない。スパシティ対応SVDとミックスランクファインチューニングの2つの手法を提案する。
論文参考訳（メタデータ） (2023-06-25T07:38:43Z)
Federated Representation Learning via Maximal Coding Rate Reduction [109.26332878050374]
本稿では,複数のクライアントに分散したデータセットから低次元表現を学習する手法を提案する。提案手法はFLOWと呼ばれ, MCR2を選択の対象とし, その結果, クラス間判別とクラス内圧縮の両方が可能な表現が得られた。
論文参考訳（メタデータ） (2022-10-01T15:43:51Z)
Dimension Free Generalization Bounds for Non Linear Metric Learning [61.193693608166114]
我々はスパース体制と非スパース体制という2つの体制に対して一様一般化境界を提供する。解の異なる新しい性質を頼りにすることで、次元自由一般化保証を提供することができることを示す。
論文参考訳（メタデータ） (2021-02-07T14:47:00Z)
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)
Hyperspectral Unmixing via Nonnegative Matrix Factorization with Handcrafted and Learnt Priors [14.032039261229853]
ハンドクラフト・レギュレータと学習用レギュレータをデータから併用したNMFベースのアンミックス・フレームワークを提案する。我々は,様々な画像デノイザを用いて,関連するサブプロブレムに対処可能なアブリダンスの学習先行をプラグインする。
論文参考訳（メタデータ） (2020-10-09T14:40:20Z)
Performance Indicator in Multilinear Compressive Learning [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは,多次元信号を扱う際の知覚と学習のステップを効率的に最適化するために提案された。本稿では,入力信号の分解能,圧縮された測定値数,MCLの学習性能の関係を解析する。
論文参考訳（メタデータ） (2020-09-22T11:27:50Z)
Multilinear Compressive Learning with Prior Knowledge [106.12874293597754]
マルチリニア圧縮学習(MCL)フレームワークは、マルチリニア圧縮センシングと機械学習をエンドツーエンドシステムに統合する。 MCLの背後にある主要なアイデアは、下流学習タスクの信号から重要な特徴を捉えることのできるテンソル部分空間の存在を仮定することである。本稿では、上記の要件、すなわち、関心の信号が分離可能なテンソル部分空間をどうやって見つけるかという、2つの要件に対処する新しい解決策を提案する。
論文参考訳（メタデータ） (2020-02-17T19:06:05Z)

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。