論文の概要: Denoising individual bias for a fairer binary submatrix detection

• arxiv url: http://arxiv.org/abs/2007.15816v2
• Date: Sun, 9 Aug 2020 15:39:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 05:53:36.105522
• Title: Denoising individual bias for a fairer binary submatrix detection
• Title（参考訳）: より公平なバイナリサブマトリクス検出のための個人バイアスの除去
• Authors: Changlin Wan, Wennan Chang, Tong Zhao, Sha Cao, Chi Zhang
• Abstract要約: 二項行列の低階表現はスパース・アトリビュート・アソシエーションの解離において強力である。 既存のバイナリ行列分解 (BMF) やコクラスタリング (CC) の手法は、しばしば背景雑音(バックグラウンドノイズ)を仮定する。 本稿では,真のパターンの検出を最適化するバイナリデータ記述フレームワークであるBINDを提案する。
• 参考スコア（独自算出の注目度）: 14.065968221500246
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low rank representation of binary matrix is powerful in disentangling sparse individual-attribute associations, and has received wide applications. Existing binary matrix factorization (BMF) or co-clustering (CC) methods often assume i.i.d background noise. However, this assumption could be easily violated in real data, where heterogeneous row- or column-wise probability of binary entries results in disparate element-wise background distribution, and paralyzes the rationality of existing methods. We propose a binary data denoising framework, namely BIND, which optimizes the detection of true patterns by estimating the row- or column-wise mixture distribution of patterns and disparate background, and eliminating the binary attributes that are more likely from the background. BIND is supported by thoroughly derived mathematical property of the row- and column-wise mixture distributions. Our experiment on synthetic and real-world data demonstrated BIND effectively removes background noise and drastically increases the fairness and accuracy of state-of-the arts BMF and CC methods.
• Abstract（参考訳）: バイナリマトリクスの低階表現は、スパース個人属性関係の分離において強力であり、広く応用されている。 既存のbmf(binary matrix factorization)またはcc(co-clustering)メソッドは背景雑音を仮定することが多い。 しかし、この仮定は実データでは容易に破られ、二進法の異質な行や列の確率は異なる要素の背景分布をもたらし、既存の方法の合理性を麻痺させる。 本稿では,パターンの行または列単位での混合分布と異なる背景を推定し,背景からより可能性の高いバイナリ属性を除去し,真のパターンの検出を最適化するbindという2値化フレームワークを提案する。 BINDは行と列の混合分布の完全な数学的性質によって支えられている。 BINDは背景雑音を効果的に除去し,最先端のBMF法とCC法の妥当性と精度を大幅に向上させることを示した。

関連論文リスト

• DiffATR: Diffusion-based Generative Modeling for Audio-Text Retrieval [49.076590578101985]
  ノイズから関節分布を生成する拡散型ATRフレームワーク(DiffATR)を提案する。 優れたパフォーマンスを持つAudioCapsとClothoデータセットの実験は、我々のアプローチの有効性を検証する。
  論文  参考訳（メタデータ） (2024-09-16T06:33:26Z)
• Robust Learning under Hybrid Noise [24.36707245704713]
  本稿では,データリカバリの観点からハイブリッドノイズに対処するため,新たな統合学習フレームワーク"Feature and Label Recovery"(FLR)を提案する。
  論文  参考訳（メタデータ） (2024-07-04T16:13:25Z)
• Classification Diffusion Models: Revitalizing Density Ratio Estimation [21.264497139730473]
  $textitclassificationfusion model$ (CDMs) は、DREベースの生成法であり、拡散モデルをデノナイズする形式を取り入れている。 提案手法は,MNISTデータセットを超える画像を生成するDREベースの最初の手法である。
  論文  参考訳（メタデータ） (2024-02-15T16:49:42Z)
• A Novel Truncated Norm Regularization Method for Multi-channel Color Image Denoising [5.624787484101139]
  本論文は,DtNFM法(DtNFM法)を用いて,二重重み付き核ノルム最小化法(double-weighted truncated nuclear norm minus truncated Frobenius norm minimization, DtNFM法)を用いてカラー画像のノイズ化を行う。 雑音像の非局所的な自己相似性を利用して、類似した構造を収集し、類似したパッチ行列を連続的に構築する。 合成および実雑音データセットの実験により、提案手法は、多くの最先端カラー画像復調法より優れていることを示した。
  論文  参考訳（メタデータ） (2023-07-16T03:40:35Z)
• Learning Large Causal Structures from Inverse Covariance Matrix via Sparse Matrix Decomposition [2.403264213118039]
  本稿では,逆共分散行列から因果構造を学習することに焦点を当てる。 提案手法は,行列分解モデルの連続的最適化に基づくICIDと呼ばれる。 本研究では,ノイズ分散の知識を前提として,提案した指向性非巡回グラフ(DAG)を効率よく同定することを示す。
  論文  参考訳（メタデータ） (2022-11-25T16:32:56Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
  本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。 楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。 合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T10:01:37Z)
• Matrix completion based on Gaussian belief propagation [5.685589351789462]
  行列ファクタリゼーションに基づく雑音マトリクス補完問題に対するメッセージパッシングアルゴリズムの開発を行う。 近似メッセージパッシングの文献によく用いられる摂動処理を適用することにより,提案アルゴリズムのメモリフレンドリーなバージョンを導出する。 合成データセットの実験により, 提案アルゴリズムは, 先行アルゴリズムが最適となる条件下では, ほぼ同じ性能を示すが, 非ガウス雑音により観測されたデータセットが破損した場合に有利であることがわかった。
  論文  参考訳（メタデータ） (2021-05-01T12:16:49Z)
• Learning Noise Transition Matrix from Only Noisy Labels via Total Variation Regularization [88.91872713134342]
  本稿では,雑音遷移行列を推定し,同時に分類器を学習する理論的基礎付け手法を提案する。 提案手法の有効性を,ベンチマークおよび実世界のデータセットを用いた実験により示す。
  論文  参考訳（メタデータ） (2021-02-04T05:09:18Z)
• 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)
• Modal Regression based Structured Low-rank Matrix Recovery for Multi-view Learning [70.57193072829288]
  近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。 既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。 本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
  論文  参考訳（メタデータ） (2020-03-22T03:57:38Z)

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。