Fugu-MT 論文翻訳(概要): Binary Random Projections with Controllable Sparsity Patterns

論文の概要: Binary Random Projections with Controllable Sparsity Patterns

arxiv url: http://arxiv.org/abs/2006.16180v1
Date: Mon, 29 Jun 2020 16:45:26 GMT
ステータス: 処理完了
システム内更新日: 2022-11-15 14:23:00.355618
Title: Binary Random Projections with Controllable Sparsity Patterns
Title（参考訳）: 制御可能な空間パターンをもつ二元ランダム投影
Authors: Wenye Li, Shuzhong Zhang
Abstract要約: 制御可能な空間パターンを持つ二元行列を用いたランダムな投影問題について検討する。具体的には、一般データベクトルで動作する2つの疎二元射影モデルを提案する。
参考スコア（独自算出の注目度）: 4.203274985072923
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Random projection is often used to project higher-dimensional vectors onto a lower-dimensional space, while approximately preserving their pairwise distances. It has emerged as a powerful tool in various data processing tasks and has attracted considerable research interest. Partly motivated by the recent discoveries in neuroscience, in this paper we study the problem of random projection using binary matrices with controllable sparsity patterns. Specifically, we proposed two sparse binary projection models that work on general data vectors. Compared with the conventional random projection models with dense projection matrices, our proposed models enjoy significant computational advantages due to their sparsity structure, as well as improved accuracies in empirical evaluations.
Abstract（参考訳）: ランダム射影は高次元ベクトルを低次元空間に射影するのによく用いられ、対距離を概して保存する。様々なデータ処理タスクにおいて強力なツールとして登場し、かなりの研究関心を集めている。本稿では,神経科学における最近の発見に一部動機づけられ,制御可能なスパーシティパターンを持つ二元行列を用いたランダム射影問題について検討する。具体的には、一般データベクトルで動作する2つの疎二元射影モデルを提案する。予測行列が密集した従来のランダム投影モデルと比較すると,提案モデルは分散構造と経験的評価の精度向上により,計算上有意なアドバンテージを享受できる。

関連論文リスト

Random-projection ensemble dimension reduction [1.6114012813668932]
本稿では,高次元回帰の文脈における次元削減のための新しい枠組みを提案する。独立な乱射影の解離群を考察し、各射影の後に基本回帰法を適用し、経験的性能に基づいて各群における射影を保持する。シミュレーションおよび実データを用いた大規模数値実験において,提案手法の優れた実証性能を示す。
論文参考訳（メタデータ） (2024-10-07T11:09:50Z)
RGM: A Robust Generalizable Matching Model [49.60975442871967]
RGM(Robust Generalist Matching)と呼ばれる疎密マッチングのための深部モデルを提案する。合成トレーニングサンプルと実世界のシナリオのギャップを狭めるために、我々は、疎対応基盤真理を持つ新しい大規模データセットを構築した。さまざまな密集したスパースなデータセットを混ぜ合わせることができ、トレーニングの多様性を大幅に改善しています。
論文参考訳（メタデータ） (2023-10-18T07:30:08Z)
Representer Point Selection for Explaining Regularized High-dimensional Models [105.75758452952357]
本稿では,高次元表現器と呼ぶサンプルベース説明のクラスを紹介する。私たちのワークホースは、一般化された高次元モデルに対する新しい代表者定理である。提案手法の実証的性能について,実世界の2進分類データセットと2つの推薦システムデータセットを用いて検討した。
論文参考訳（メタデータ） (2023-05-31T16:23:58Z)
Wasserstein Projection Pursuit of Non-Gaussian Signals [8.789656856095947]
我々は、高次元データクラウドにおける興味深い特徴の$k$次元非ガウス部分空間における興味深い方向を見つけるという問題を考察する。生成モデルの下では、この未知の部分空間を近似する精度について厳密な統計的保証を証明している。我々の結果は,データ次元がサンプルサイズに匹敵する体制で機能する。
論文参考訳（メタデータ） (2023-02-24T15:36:51Z)
Optimal Discriminant Analysis in High-Dimensional Latent Factor Models [1.4213973379473654]
高次元分類問題において、一般的に用いられるアプローチは、まず高次元の特徴を低次元空間に射影することである。我々は、この2段階の手順を正当化するために、隠れた低次元構造を持つ潜在変数モデルを定式化する。観測された特徴の特定の主成分(PC)を射影とする計算効率の良い分類器を提案する。
論文参考訳（メタデータ） (2022-10-23T21:45:53Z)
Consensual Aggregation on Random Projected High-dimensional Features for Regression [0.0]
本稿では,ランダムに投影された回帰予測の高次元的特徴に対するカーネルベースの合意アグリゲーションについて検討する。集約方式は, 非常に大きく, 高い相関性を持つ特徴に対して, その性能を保っていることを数値的に説明する。提案手法の効率性は,様々な種類の合成データセットと実データセットで評価されたいくつかの実験を通して説明される。
論文参考訳（メタデータ） (2022-04-06T06:35:47Z)
UnProjection: Leveraging Inverse-Projections for Visual Analytics of High-Dimensional Data [63.74032987144699]
提案するNNInvは,プロジェクションやマッピングの逆を近似する深層学習技術である。 NNInvは、2次元投影空間上の任意の点から高次元データを再構成することを学び、ユーザーは視覚分析システムで学習した高次元表現と対話することができる。
論文参考訳（メタデータ） (2021-11-02T17:11:57Z)
Precise expressions for random projections: Low-rank approximation and randomized Newton [63.68433510953756]
マトリックススケッチは、そのような次元削減を非常に効率的に行うための強力な技術として登場した。本研究では,スケッチによって得られたランダムな投影行列の予測値に対して,確率的に正確な表現を提供する手法を開発した。これらの表現は、様々な機械学習タスクにおける次元削減のパフォーマンスを特徴付けるのに使うことができる。
論文参考訳（メタデータ） (2020-06-18T16:23:00Z)
Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
論文参考訳（メタデータ） (2020-05-19T05:54:14Z)
Optimal Iterative Sketching with the Subsampled Randomized Hadamard Transform [64.90148466525754]
最小二乗問題に対する反復スケッチの性能について検討する。本研究では、Haar行列とランダム化されたHadamard行列の収束速度が同一であることを示し、ランダムなプロジェクションを経時的に改善することを示した。これらの手法は、ランダム化次元還元を用いた他のアルゴリズムにも適用することができる。
論文参考訳（メタデータ） (2020-02-03T16:17:50Z)

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。