論文の概要: Bayesian Sparse Factor Analysis with Kernelized Observations
- arxiv url: http://arxiv.org/abs/2006.00968v3
- Date: Wed, 27 Jan 2021 12:57:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 06:12:41.068023
- Title: Bayesian Sparse Factor Analysis with Kernelized Observations
- Title(参考訳): カーネル化観測によるベイズスパース因子の解析
- Authors: Carlos Sevilla-Salcedo, Alejandro Guerrero-L\'opez, Pablo M. Olmos and
Vanessa G\'omez-Verdejo
- Abstract要約: 多視点問題は潜在変数モデルに直面することができる。
高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。
両アプローチを単一モデルにマージすることを提案する。
- 参考スコア(独自算出の注目度): 67.60224656603823
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-view problems can be faced with latent variable models since they are
able to find low-dimensional projections that fairly capture the correlations
among the multiple views that characterise each datum. On the other hand,
high-dimensionality and non-linear issues are traditionally handled by kernel
methods, inducing a (non)-linear function between the latent projection and the
data itself. However, they usually come with scalability issues and exposition
to overfitting. Here, we propose merging both approaches into single model so
that we can exploit the best features of multi-view latent models and kernel
methods and, moreover, overcome their limitations.
In particular, we combine probabilistic factor analysis with what we refer to
as kernelized observations, in which the model focuses on reconstructing not
the data itself, but its relationship with other data points measured by a
kernel function. This model can combine several types of views (kernelized or
not), and it can handle heterogeneous data and work in semi-supervised
settings. Additionally, by including adequate priors, it can provide compact
solutions for the kernelized observations -- based in a automatic selection of
Bayesian Relevance Vectors (RVs) -- and can include feature selection
capabilities. Using several public databases, we demonstrate the potential of
our approach (and its extensions) w.r.t. common multi-view learning models such
as kernel canonical correlation analysis or manifold relevance determination.
- Abstract(参考訳): マルチビュー問題は、各データムを特徴付ける複数のビュー間の相関を十分に捉えた低次元のプロジェクションを見つけることができるため、潜在変数モデルに直面することができる。
一方、高次元性や非線形問題は伝統的にカーネルメソッドによって処理され、潜在射影とデータ自身の間の(非)線形関数が誘導される。
しかし、それらは通常スケーラビリティの問題と過度な適合を伴います。
本稿では,2つのアプローチを単一モデルにマージして,マルチビュー潜在モデルとカーネルメソッドのベストプラクティスを活用できるようにし,その限界を克服する。
特に、確率的因子分析とカーネル化観測とを組み合わせることで、モデルがデータ自体の再構成ではなく、カーネル関数によって測定された他のデータポイントとの関係性に焦点を当てる。
このモデルは、複数のタイプのビュー(カーネル化されるかどうかに関わらず)を組み合わせることができ、異種データを処理し、半教師あり設定で作業することができる。
さらに、適切な事前情報を含めることで、Bayesian Relevance Vectors(RV)の自動選択に基づく、カーネル化された観測のためのコンパクトなソリューションを提供し、機能選択機能を含むことができる。
いくつかの公開データベースを用いて、カーネル正準相関解析や多様体関係決定などの一般的な多視点学習モデルのアプローチ(および拡張)の可能性を示す。
関連論文リスト
- A Probabilistic Model for Data Redundancy in the Feature Domain [0.0]
確率モデルを用いて、大規模データセットにおける非相関な特徴の数を推定する。
我々のモデルは、複数の特徴の相互依存性(多重性)と相互関係(多重性)の両方を可能にする。
我々は、互いに有意な制約付き集合に関する補助的な結果を証明する。
論文 参考訳(メタデータ) (2023-09-24T14:51:53Z) - Approximating Counterfactual Bounds while Fusing Observational, Biased
and Randomised Data Sources [64.96984404868411]
我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。
利用可能なデータの可能性は局所的な最大値を持たないことを示す。
次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
論文 参考訳(メタデータ) (2023-07-31T11:28:24Z) - Tensor-based Multi-view Spectral Clustering via Shared Latent Space [14.470859959783995]
MvSC(Multi-view Spectral Clustering)は多様なデータソースによって注目を集めている。
MvSCの新しい手法はRestricted Kernel Machineフレームワークから共有潜在空間を介して提案される。
論文 参考訳(メタデータ) (2022-07-23T17:30:54Z) - Equivariance Allows Handling Multiple Nuisance Variables When Analyzing
Pooled Neuroimaging Datasets [53.34152466646884]
本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。
いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
論文 参考訳(メタデータ) (2022-03-29T04:54:06Z) - MoReL: Multi-omics Relational Learning [26.484803417186384]
ヘテロジニアスビューの分子間相互作用をコードする多部グラフを効率的に推定する新しいディープベイズ生成モデルを提案する。
このようなディープベイズ生成モデルにおける最適輸送正則化により、ビュー固有側情報を組み込むだけでなく、分布ベース正則化によるモデルの柔軟性も向上する。
論文 参考訳(メタデータ) (2022-03-15T02:50:07Z) - Multimodal Data Fusion in High-Dimensional Heterogeneous Datasets via
Generative Models [16.436293069942312]
我々は、教師なしの方法で高次元異種データから確率的生成モデルを学習することに興味がある。
本稿では,指数関数的な分布系を通じて異なるデータ型を結合する一般的なフレームワークを提案する。
提案アルゴリズムは、実数値(ガウス)とカテゴリー(マルチノミカル)の特徴を持つ、よく遭遇する異種データセットについて詳細に述べる。
論文 参考訳(メタデータ) (2021-08-27T18:10:31Z) - Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [55.28436972267793]
現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。
本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。
次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
論文 参考訳(メタデータ) (2020-10-25T18:51:15Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - Variational Inference for Deep Probabilistic Canonical Correlation
Analysis [49.36636239154184]
線形多視点層と深層生成ネットワークを観測モデルとして構成した深部確率的多視点モデルを提案する。
潜在確率多視点層の後方分布を近似した効率的な変分推論法を開発した。
任意の数のビューを持つモデルへの一般化も提案されている。
論文 参考訳(メタデータ) (2020-03-09T17:51:15Z) - Sparse Semi-supervised Heterogeneous Interbattery Bayesian Analysis [5.653409562189869]
本稿では,任意の問題をモデル化可能な一般FAフレームワークを提案する。
提案モデルであるSparse Semi-supervised Heterogeneous Interbattery Bayesian Analysis (SSHIBA) は4つのシナリオで検証されている。
論文 参考訳(メタデータ) (2020-01-24T13:00:56Z)
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。