論文の概要: Additive Tensor Decomposition Considering Structural Data Information
- arxiv url: http://arxiv.org/abs/2007.13860v1
- Date: Mon, 27 Jul 2020 20:53:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 08:21:41.218555
- Title: Additive Tensor Decomposition Considering Structural Data Information
- Title(参考訳): 構造データ情報を考慮した加法テンソル分解
- Authors: Shancong Mou, Andi Wang, Chuck Zhang and Jianjun Shi
- Abstract要約: テンソルデータにおける構造情報の新たな定義を提供する。
本稿では,テンソルデータから有用な情報を抽出するための加法テンソル分解(ATD)フレームワークを提案する。
乗算器の交互方向法 (ADMM) を提案する。
- 参考スコア(独自算出の注目度): 7.2597356063814065
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tensor data with rich structural information becomes increasingly important
in process modeling, monitoring, and diagnosis. Here structural information is
referred to structural properties such as sparsity, smoothness, low-rank, and
piecewise constancy. To reveal useful information from tensor data, we propose
to decompose the tensor into the summation of multiple components based on
different structural information of them. In this paper, we provide a new
definition of structural information in tensor data. Based on it, we propose an
additive tensor decomposition (ATD) framework to extract useful information
from tensor data. This framework specifies a high dimensional optimization
problem to obtain the components with distinct structural information. An
alternating direction method of multipliers (ADMM) algorithm is proposed to
solve it, which is highly parallelable and thus suitable for the proposed
optimization problem. Two simulation examples and a real case study in medical
image analysis illustrate the versatility and effectiveness of the ATD
framework.
- Abstract(参考訳): 豊富な構造情報を持つテンソルデータは、プロセスモデリング、モニタリング、診断においてますます重要になる。
ここでは、構造情報は、疎度、滑らか性、低ランク、断片的一貫性などの構造的性質を参照する。
テンソルデータから有用な情報を明らかにするため,テンソルを異なる構造情報に基づいて複数の成分の和に分解する手法を提案する。
本稿では,テンソルデータにおける構造情報の新たな定義を提案する。
そこで本研究では,テンソルデータから有用な情報を抽出する加法テンソル分解(ATD)フレームワークを提案する。
このフレームワークは、異なる構造情報を持つコンポーネントを得るための高次元最適化問題を特定する。
並列性が高く,提案する最適化問題に適した乗算器(admm)アルゴリズムの交互方向法を提案する。
医用画像解析における2つのシミュレーション例と実例研究は,ATDフレームワークの汎用性と有効性を示している。
関連論文リスト
- Towards End-to-End Structure Solutions from Information-Compromised
Diffraction Data via Generative Deep Learning [6.617784410952713]
機械学習(ML)とディープラーニング(DL)は、既に知られている構造を持つ大規模データベースから学習した事前知識を用いて、劣化した入力信号の情報を増大させるため、有望なアプローチである。
ここでは、この問題にエンドツーエンドで対処する堅牢だが汎用的なツールである、バラツキクエリベースのマルチブランチディープニューラルネットワークである、新しいMLアプローチを提案する。
このシステムは、既知の化学組成情報と部分的に知られている化学組成情報の両方で、目に見えない素材の真実と平均9.3.4%の類似性を達成している。
論文 参考訳(メタデータ) (2023-12-23T02:17:27Z) - Provable Tensor Completion with Graph Information [49.08648842312456]
本稿では,動的グラフ正規化テンソル完備問題の解法として,新しいモデル,理論,アルゴリズムを提案する。
我々はテンソルの低ランクおよび類似度構造を同時に捉える包括的モデルを開発する。
理論の観点からは、提案したグラフの滑らか度正規化と重み付きテンソル核ノルムとの整合性を示す。
論文 参考訳(メタデータ) (2023-10-04T02:55:10Z) - Scaling Pre-trained Language Models to Deeper via Parameter-efficient
Architecture [68.13678918660872]
行列積演算子(MPO)に基づくより有能なパラメータ共有アーキテクチャを設計する。
MPO分解はパラメータ行列の情報を再編成し、2つの部分に分解することができる。
私たちのアーキテクチャは、モデルのサイズを減らすために、すべてのレイヤで中央テンソルを共有しています。
論文 参考訳(メタデータ) (2023-03-27T02:34:09Z) - Accelerated structured matrix factorization [0.0]
行列分解は、複雑な高次元データにおいて、実際の信号は一般に低次元構造にあるという考え方を利用する。
ベイジアン縮退を先取りして,高次元行列分解のための計算に便利な手法を考案する。
行と列のエンティティ間の依存性は、要素内でフレキシブルなスパースパターンを誘導することによってモデル化される。
論文 参考訳(メタデータ) (2022-12-13T11:35:01Z) - A geometric framework for outlier detection in high-dimensional data [0.0]
異常検出はデータ分析において重要な課題である。
データセットのメトリック構造を利用するフレームワークを提供する。
この構造を利用することで,高次元データにおける外部観測の検出が大幅に向上することを示す。
論文 参考訳(メタデータ) (2022-07-01T12:07:51Z) - A Fast Parallel Tensor Decomposition with Optimal Stochastic Gradient
Descent: an Application in Structural Damage Identification [1.536989504296526]
本稿では, CANDECOMP/PARAFAC (CP) 分解を mathbbR I_1 times dots times I_N $ で並列化する新しいアルゴリズム FP-CPD を提案する。
論文 参考訳(メタデータ) (2021-11-04T05:17:07Z) - Tensor Full Feature Measure and Its Nonconvex Relaxation Applications to
Tensor Recovery [1.8899300124593645]
完全特徴量(FFM)と呼ばれる新しいテンソル間隔尺度を提案する。
これは各次元の特徴次元を同時に記述することができ、タッカーランクとテンソルチューブランクを結びつけることができる。
FFMに基づく2つの効率的なモデルを提案し、提案モデルを解決するために2つの代替乗算器法(ADMM)アルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-09-25T01:44:34Z) - Rank-R FNN: A Tensor-Based Learning Model for High-Order Data
Classification [69.26747803963907]
Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。
まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。
Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
論文 参考訳(メタデータ) (2021-04-11T16:37:32Z) - Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。
分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
論文 参考訳(メタデータ) (2021-03-07T00:15:44Z) - 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) - A Theory of Usable Information Under Computational Constraints [103.5901638681034]
本稿では,複雑なシステムにおける情報推論のための新しいフレームワークを提案する。
我々の基礎はシャノンの情報理論の変分拡張に基づいている。
計算制約を組み込むことで,データから$mathcalV$-informationを確実に推定できることを示す。
論文 参考訳(メタデータ) (2020-02-25T06:09:30Z)
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。