Fugu-MT 論文翻訳(概要): Multilinear Common Component Analysis via Kronecker Product Representation

論文の概要: Multilinear Common Component Analysis via Kronecker Product Representation

arxiv url: http://arxiv.org/abs/2009.02695v2
Date: Fri, 20 Nov 2020 08:06:05 GMT
ステータス: 処理完了
システム内更新日: 2022-10-21 08:12:06.001246
Title: Multilinear Common Component Analysis via Kronecker Product Representation
Title（参考訳）: Kronecker製品表現による多線形共通成分分析
Authors: Kohei Yoshikawa, Shuichi Kawano
Abstract要約: 複数のテンソルデータセットから共通構造を抽出する問題を考察する。モードワイド共分散行列のKronecker積に基づく多線形共通成分分析(MCCA)を提案する。我々は,モードワイドのグローバル収束を保証するMCCAの推定アルゴリズムを開発した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the problem of extracting a common structure from multiple tensor datasets. For this purpose, we propose multilinear common component analysis (MCCA) based on Kronecker products of mode-wise covariance matrices. MCCA constructs a common basis represented by linear combinations of the original variables which loses as little information of the multiple tensor datasets. We also develop an estimation algorithm for MCCA that guarantees mode-wise global convergence. Numerical studies are conducted to show the effectiveness of MCCA.
Abstract（参考訳）: 複数のテンソルデータセットから共通構造を抽出する問題を考察する。本研究では,モード分割共分散行列のクロネッカー積に基づく多重線形共通成分分析(mcca)を提案する。 MCCAは、複数のテンソルデータセットのほとんど情報を失う元の変数の線形結合で表される共通基盤を構築する。また,モードワイドのグローバル収束を保証するMCCAの推定アルゴリズムを開発した。 mcca の有効性を示す数値的研究を行った。

関連論文リスト

An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-09-30T15:57:14Z)
Multiple Augmented Reduced Rank Regression for Pan-Cancer Analysis [0.0]
フレキシブルな行列回帰および分解法である多重強化階数回帰(maRRR)を提案する。我々は、ランダム行列理論によって動機付けられた構造化された核ノルムの目的を考える。われわれはTGAの複数の癌型(すなわち膵臓)の遺伝子発現データにmaRRRを適用した。
論文参考訳（メタデータ） (2023-08-30T21:40:58Z)
Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文参考訳（メタデータ） (2023-03-29T14:54:19Z)
Tensor Generalized Canonical Correlation Analysis [0.0]
Generalized Generalized Canonical correlation Analysis (RGCCA)は、マルチブロックデータ分析のための一般的な統計フレームワークである。本稿では,高次テンソルを標準ランクR分解で解析する TGCCA を提案する。 TGCCAの有効性と有用性は、シミュレーションおよび実データに基づいて評価され、最先端の手法と比較して好意的に比較される。
論文参考訳（メタデータ） (2023-02-10T14:41:12Z)
Variational Interpretable Learning from Multi-view Data [2.687817337319978]
DICCAは、多視点データの共有とビュー固有のバリエーションの両方を分離するように設計されている。実世界のデータセットにおける実証的な結果は、我々の手法がドメイン間で競合していることを示している。
論文参考訳（メタデータ） (2022-02-28T01:56:44Z)
Coupled Support Tensor Machine Classification for Multimodal Neuroimaging Data [28.705764174771936]
A Coupled Support Machine (C-STM) は、Advanced Coupled Matrix Factorization (ACMTF) から推定される潜在因子に基づいて構築される。 C-STMは、個別および共有潜在因子と複数のカーネルを結合し、結合行列テンソルデータに対する最大マージンを推定する。 C-STMの分類リスクは最適なベイズリスクに収束することが示され、統計的に一貫した規則となっている。
論文参考訳（メタデータ） (2022-01-19T16:13:09Z)
Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
論文参考訳（メタデータ） (2021-10-26T08:54:41Z)
Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。新規な構造化融合正規化に基づく一般グラフ推定器を提案する。提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文参考訳（メタデータ） (2021-03-05T04:42:32Z)
Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
論文参考訳（メタデータ） (2020-09-27T14:16:14Z)
Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文参考訳（メタデータ） (2020-04-07T04:07:29Z)
D-GCCA: Decomposition-based Generalized Canonical Correlation Analysis for Multi-view High-dimensional Data [11.184915338554422]
高次元多視点データ分析における一般的なモデルは、各ビューのデータ行列を、すべてのデータビューに共通する潜在因子によって生成される低ランクの共通ソース行列に分解する。本稿では,分解に基づく一般化正準相関解析(D-GCCA)と呼ばれる新しい分解法を提案する。我々のD-GCCAは、共通成分と特異成分を正準変数から分離することにより、一般化された正準相関解析よりも一歩前進する。
論文参考訳（メタデータ） (2020-01-09T06:35:40Z)

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。