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
- 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) - Learning Active Subspaces and Discovering Important Features with Gaussian Radial Basis Functions Neural Networks [0.0]
モデルの訓練が完了すると抽出できる精度行列のスペクトルに含まれる貴重な情報を示す。
回帰,分類,特徴選択タスクの数値実験を行った。
その結果,提案モデルが競合モデルに比べて魅力的な予測性能が得られるだけでなく,予測性能も向上することが示唆された。
論文 参考訳(メタデータ) (2023-07-11T09:54:30Z) - 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。
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。