論文の概要: Fast and Secure Distributed Nonnegative Matrix Factorization

• arxiv url: http://arxiv.org/abs/2009.02845v1
• Date: Mon, 7 Sep 2020 01:12:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 02:40:51.557581
• Title: Fast and Secure Distributed Nonnegative Matrix Factorization
• Title（参考訳）: 高速かつセキュアな分散非負行列分解
• Authors: Yuqiu Qian, Conghui Tan, Danhao Ding, Hui Li, Nikos Mamoulis
• Abstract要約: 非負行列分解(NMF)は、いくつかのデータマイニングタスクでうまく適用されている。 分散NMFの高速化とセキュリティ問題について検討する。
• 参考スコア（独自算出の注目度）: 13.672004396034856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nonnegative matrix factorization (NMF) has been successfully applied in several data mining tasks. Recently, there is an increasing interest in the acceleration of NMF, due to its high cost on large matrices. On the other hand, the privacy issue of NMF over federated data is worthy of attention, since NMF is prevalently applied in image and text analysis which may involve leveraging privacy data (e.g, medical image and record) across several parties (e.g., hospitals). In this paper, we study the acceleration and security problems of distributed NMF. Firstly, we propose a distributed sketched alternating nonnegative least squares (DSANLS) framework for NMF, which utilizes a matrix sketching technique to reduce the size of nonnegative least squares subproblems with a convergence guarantee. For the second problem, we show that DSANLS with modification can be adapted to the security setting, but only for one or limited iterations. Consequently, we propose four efficient distributed NMF methods in both synchronous and asynchronous settings with a security guarantee. We conduct extensive experiments on several real datasets to show the superiority of our proposed methods. The implementation of our methods is available at https://github.com/qianyuqiu79/DSANLS.
• Abstract（参考訳）: 非負行列分解(NMF)は、いくつかのデータマイニングタスクでうまく適用されている。 近年,大行列のコストが高いため,nmfの加速への関心が高まっている。 一方で、nmfは複数の当事者(病院など)間でのプライバシーデータ(医療画像や記録など)の活用を含む画像やテキスト分析に広く適用されているため、フェデレーションデータに対するnmfのプライバシー問題は注目に値する。 本稿では,分散NMFの高速化とセキュリティ問題について検討する。 まず,NMFの非負の最小二乗法(DSANLS)フレームワークについて,行列スケッチ技術を用いて収束保証付き非負の最小二乗法のサイズを縮小する手法を提案する。 2つ目の問題として、DSANLSの修正はセキュリティ設定に適応できるが、1回または限定的なイテレーションにのみ適用可能であることを示す。 そこで本研究では,セキュリティ保証付きで,同期と非同期の両方で4つの効率的な分散NMF手法を提案する。 提案手法の優位性を示すために,複数の実データセットについて広範な実験を行った。 このメソッドの実装はhttps://github.com/qianyuqiu79/dsanlsで利用可能です。

関連論文リスト

• Adversarial Schrödinger Bridge Matching [66.39774923893103]
  反復マルコフフィッティング(IMF)手順は、マルコフ過程の相互射影と相互射影を交互に交互に行う。 本稿では、プロセスの学習を離散時間でほんの少しの遷移確率の学習に置き換える新しい離散時間IMF(D-IMF)手順を提案する。 D-IMFの手続きは、数百ではなく数世代のステップで、IMFと同じ品質の未完成のドメイン翻訳を提供できることを示す。
  論文  参考訳（メタデータ） (2024-05-23T11:29:33Z)
• SymNMF-Net for The Symmetric NMF Problem [62.44067422984995]
  我々は,Symmetric NMF問題に対するSymNMF-Netと呼ばれるニューラルネットワークを提案する。 各ブロックの推測は最適化の単一イテレーションに対応することを示す。 実世界のデータセットに関する実証的な結果は、我々のSymNMF-Netの優位性を示している。
  論文  参考訳（メタデータ） (2022-05-26T08:17:39Z)
• Distributed Dynamic Safe Screening Algorithms for Sparse Regularization [73.85961005970222]
  本稿では,分散動的安全スクリーニング(DDSS)手法を提案し,共有メモリアーキテクチャと分散メモリアーキテクチャにそれぞれ適用する。 提案手法は, 線形収束率を低次複雑度で達成し, 有限個の繰り返しにおいてほとんどすべての不活性な特徴をほぼ確実に除去できることを示す。
  論文  参考訳（メタデータ） (2022-04-23T02:45:55Z)
• Log-based Sparse Nonnegative Matrix Factorization for Data Representation [55.72494900138061]
  非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。 そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。 提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
  論文  参考訳（メタデータ） (2022-04-22T11:38:10Z)
• Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
  シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。 より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。 SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
  論文  参考訳（メタデータ） (2021-03-02T12:47:40Z)
• Nonnegative Matrix Factorization with Zellner Penalty [0.0]
  非負行列ファクタリゼーション(NMF)は、非負データ行列を部分ベース、低次元、線形表現に分解する比較的新しい教師なし学習アルゴリズムである。 本稿では,データ依存的制約を用いたZellner non negative matrix factorization (ZNMF)を提案する。 ケンブリッジ ORL データベースを用いて,ZNMF アルゴリズムと他のよく知られた制約付きNMF アルゴリズムの顔認識性能を評価する。
  論文  参考訳（メタデータ） (2020-12-07T18:11:02Z)
• Algorithms for Nonnegative Matrix Factorization with the Kullback-Leibler Divergence [20.671178429005973]
  Kullback-Leibler (KL) の発散は、非負行列分解(NMF)の最も広く使われている目的関数の1つである。 目的関数の非増加を保証する3つの新しいアルゴリズムを提案する。 我々は、KL NMFアルゴリズムの性能に関する総合的な画像を提供するために、広範な数値実験を行う。
  論文  参考訳（メタデータ） (2020-10-05T11:51:39Z)
• Positive Semidefinite Matrix Factorization: A Connection with Phase Retrieval and Affine Rank Minimization [71.57324258813674]
  位相探索(PR)とアフィンランク最小化(ARM)アルゴリズムに基づいてPSDMFアルゴリズムを設計可能であることを示す。 このアイデアに触発され、反復的ハードしきい値(IHT)に基づくPSDMFアルゴリズムの新たなファミリーを導入する。
  論文  参考訳（メタデータ） (2020-07-24T06:10:19Z)
• A Neural Network for Determination of Latent Dimensionality in Nonnegative Matrix Factorization [0.0]
  非負行列因子化(NMF)は、複雑でノイズの多いデータセットに隠れた特徴を明らかにするための強力な教師なし学習手法であることが証明されている。 教師付き機械学習手法と,NMFkと呼ばれるモデル決定手法を組み合わせることで,隠れた特徴の数を自動で決定する。
  論文  参考訳（メタデータ） (2020-06-22T16:32:07Z)
• Sparse Separable Nonnegative Matrix Factorization [22.679160149512377]
  非負行列分解(NMF)の新しい変種を提案する。 分離性は、第1NMF因子の列が入力行列の列に等しいのに対して、スパース性は第2NMF因子の列がスパースであることが要求される。 雑音のない環境では、軽微な仮定の下で、我々のアルゴリズムが真に根底にある情報源を復元することを証明する。
  論文  参考訳（メタデータ） (2020-06-13T03:52:29Z)

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。