論文の概要: Kernel Ridge Regression Using Importance Sampling with Application to Seismic Response Prediction

• arxiv url: http://arxiv.org/abs/2009.09136v1
• Date: Sat, 19 Sep 2020 01:44:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 20:42:37.672596
• Title: Kernel Ridge Regression Using Importance Sampling with Application to Seismic Response Prediction
• Title（参考訳）: 重要サンプリングを用いたカーネルリッジ回帰と地震応答予測への応用
• Authors: Farhad Pourkamali-Anaraki, Mohammad Amin Hariri-Ardebili, Lydia Morawiec
• Abstract要約: 効率的な2段階アプローチを用いて,多様性を促進する新しいランドマーク選択法を提案する。 また, 地震荷重と材料不確実性による構造応答予測のためのカーネル手法の新たな適用法を用いて, いくつかのランドマーク選択手法の性能について検討した。
• 参考スコア（独自算出の注目度）: 1.4180331276028657
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scalable kernel methods, including kernel ridge regression, often rely on low-rank matrix approximations using the Nystrom method, which involves selecting landmark points from large data sets. The existing approaches to selecting landmarks are typically computationally demanding as they require manipulating and performing computations with large matrices in the input or feature space. In this paper, our contribution is twofold. The first contribution is to propose a novel landmark selection method that promotes diversity using an efficient two-step approach. Our landmark selection technique follows a coarse to fine strategy, where the first step computes importance scores with a single pass over the whole data. The second step performs K-means clustering on the constructed coreset to use the obtained centroids as landmarks. Hence, the introduced method provides tunable trade-offs between accuracy and efficiency. Our second contribution is to investigate the performance of several landmark selection techniques using a novel application of kernel methods for predicting structural responses due to earthquake load and material uncertainties. Our experiments exhibit the merits of our proposed landmark selection scheme against baselines.
• Abstract（参考訳）: カーネルリッジ回帰を含むスケーラブルカーネル法は、大規模なデータセットからランドマークポイントを選択するNystrom法を用いて低ランク行列近似に依存することが多い。 ランドマークを選択する既存のアプローチは、入力または特徴空間で大きな行列で計算を操作および実行する必要があるため、通常計算的に要求される。 本稿では、我々の貢献を2つにまとめる。 最初の貢献は、効率的な2段階アプローチを用いて多様性を促進する新しいランドマーク選択法を提案することである。 私たちのランドマーク選択技術は、第1ステップで重要度を計算し、データ全体を1回のパスで計算する、粗い戦略に従っています。 第2のステップは、構築されたコアセット上でk平均クラスタリングを実行し、得られたセントロイドをランドマークとして使用する。 したがって,提案手法は精度と効率のトレードオフを調整できる。 第2の貢献は, 地震荷重と材料不確実性による構造応答の予測にカーネル法を応用した, いくつかのランドマーク選択手法の性能評価である。 提案したランドマーク選択方式がベースラインに対して有効であることを示す。

関連論文リスト

• MIK: Modified Isolation Kernel for Biological Sequence Visualization, Classification, and Clustering [3.9146761527401424]
  本研究は,ガウスカーネルの代替として,改良分離カーネル (MIK) と呼ばれる新しいアプローチを提案する。 MIKは適応密度推定を用いて局所構造をより正確に捉え、ロバストネス対策を統合する。 局所的および大域的な構造の保存を改善し、組込み空間におけるクラスタとサブクラスタのより良い可視化を可能にする。
  論文  参考訳（メタデータ） (2024-10-21T06:57:09Z)
• Trust-Region Sequential Quadratic Programming for Stochastic Optimization with Random Models [57.52124921268249]
  本稿では,1次と2次の両方の定常点を見つけるための信頼逐次準計画法を提案する。 本手法は, 1次定常点に収束するため, 対象対象の近似を最小化して定義された各イテレーションの勾配ステップを計算する。 2階定常点に収束するため,本手法は負曲率を減少するヘッセン行列を探索する固有ステップも計算する。
  論文  参考訳（メタデータ） (2024-09-24T04:39:47Z)
• Optimal Kernel Choice for Score Function-based Causal Discovery [92.65034439889872]
  本稿では,データに最も適合する最適なカーネルを自動的に選択する,一般化スコア関数内のカーネル選択手法を提案する。 合成データと実世界のベンチマークの両方で実験を行い,提案手法がカーネル選択法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-14T09:32:20Z)
• Column and row subset selection using nuclear scores: algorithms and theory for Nyström approximation, CUR decomposition, and graph Laplacian reduction [0.0]
  我々は,高速,効率的,理論的に保証された列選択のための統一手法を開発した。 まず、カーネル近似やCUR分解といったタスクに適用可能な空間分割決定アルゴリズムを導出し、実装する。 次に、保証濃度境界を満たすランダム化スキームに依存する行列自由形式を考案する。
  論文  参考訳（メタデータ） (2024-07-01T18:10:19Z)
• A Weighted K-Center Algorithm for Data Subset Selection [70.49696246526199]
  サブセット選択は、トレーニングデータの小さな部分を特定する上で重要な役割を果たす、基本的な問題である。 我々は,k中心および不確かさサンプリング目的関数の重み付け和に基づいて,サブセットを計算する新しい係数3近似アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-12-17T04:41:07Z)
• A Framework and Benchmark for Deep Batch Active Learning for Regression [2.093287944284448]
  ラベル付きデータのバッチを適応的に選択する能動的学習法について検討した。 本稿では,ネットワークに依存した)ベースカーネル,カーネル変換,選択メソッドからそのようなメソッドを構築するためのフレームワークを提案する。 提案手法は,我々のベンチマークの最先端性,大規模データセットへのスケール,ネットワークアーキテクチャやトレーニングコードを調整することなく,アウト・オブ・ボックスで動作する。
  論文  参考訳（メタデータ） (2022-03-17T16:11:36Z)
• On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
  本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。 分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
  論文  参考訳（メタデータ） (2022-02-28T13:01:04Z)
• Gradient Based Clustering [72.15857783681658]
  本稿では,クラスタリングの品質を計測するコスト関数の勾配を用いて,距離に基づくクラスタリングの一般的な手法を提案する。 アプローチは反復的な2段階の手順(クラスタ割り当てとクラスタセンターのアップデートの代替)であり、幅広い機能に適用できる。
  論文  参考訳（メタデータ） (2022-02-01T19:31:15Z)
• Unsupervised learning of disentangled representations in deep restricted kernel machines with orthogonality constraints [15.296955630621566]
  Constr-DRKMは、非教師なしデータ表現の学習のためのディープカーネル手法である。 本研究では,不整合特徴学習における提案手法の有効性を定量的に評価する。
  論文  参考訳（メタデータ） (2020-11-25T11:40:10Z)
• Holistically-Attracted Wireframe Parsing [123.58263152571952]
  本稿では,入力画像中のベクトル化ワイヤフレームを1つのフォワードパスで検出する高速で類似的な解析手法を提案する。 提案手法は, (i) ラインセグメントとジャンクション提案生成, (ii) ラインセグメントとジャンクションマッチング, (iii) ラインセグメントとジャンクション検証の3つのコンポーネントから構成される。
  論文  参考訳（メタデータ） (2020-03-03T17:43:57Z)
• Diversity sampling is an implicit regularization for kernel methods [13.136143245702915]
  多様なランドマークを持つNystrのカーネルレグレッションにより,データセットのスペーサー領域におけるレグレッションの精度が向上することを示す。 正確な DPP サンプリングが現実的に実現不可能な場合, 大規模なデータセット内で大きなサイズのサンプルを選択するために, グリーディも提案されている。
  論文  参考訳（メタデータ） (2020-02-20T08:24:42Z)

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。