論文の概要: Validation of non-negative matrix factorization for assessment of atomic pair-distribution function (PDF) data in a real-time streaming context

• arxiv url: http://arxiv.org/abs/2010.11807v1
• Date: Thu, 22 Oct 2020 15:40:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 08:09:09.652817
• Title: Validation of non-negative matrix factorization for assessment of atomic pair-distribution function (PDF) data in a real-time streaming context
• Title（参考訳）: 実時間ストリーミングコンテキストにおける原子対分布関数(pdf)データの評価のための非負行列分解の検証
• Authors: Chia-Hao Liu, Christopher J. Wright, Ran Gu, Sasaank Bandi, Allison Wustrow, Paul K. Todd, Daniel O'Nolan, Michelle L. Beauvais, James R. Neilson, Peter J. Chupas, Karena W. Chapman, Simon J.L. Billinge
• Abstract要約: 我々は,原子対分布関数(PDF)データから関連成分の自動同定に行列分解を用いたことを検証する。 本稿では,ストリーミング方式で受信したPDFデータを解析するソフトウェア基盤を提案する。
• 参考スコア（独自算出の注目度）: 0.33055374209385807
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We validate the use of matrix factorization for the automatic identification of relevant components from atomic pair distribution function (PDF) data. We also present a newly developed software infrastructure for analyzing the PDF data arriving in streaming manner. We then apply two matrix factorization techniques, Principal Component Analysis (PCA) and Non-negative Matrix Factorization (NMF), to study simulated and experiment datasets in the context of in situ experiment.
• Abstract（参考訳）: 我々は,原子対分布関数(PDF)データから関連成分の自動同定に行列分解を用いたことを検証する。 また,ストリーミング方式で受信したPDFデータを解析するためのソフトウェア基盤も新たに開発した。 次に, 主成分分析法 (pca) と非負行列分解法 (nmf) の2つの行列因子分解法を適用し, シミュレーションおよび実験データセットを用いて実験を行った。

関連論文リスト

• Multi-modal Multi-view Clustering based on Non-negative Matrix Factorization [0.0]
  本稿では,マルチモーダルクラスタリングアルゴリズムについて検討し,マルチモーダル・マルチビュー非負行列分解法を提案する。 実験の結果,様々なデータセットを用いて評価した提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-08-09T08:06:03Z)
• Non-Negative Matrix Factorization with Scale Data Structure Preservation [23.31865419578237]
  本稿では,データ表現と次元縮小のために設計された非負行列分解法に属するモデルについて述べる。 この考え方は、NMFコスト関数に、元のデータポイントと変換されたデータポイントのペアの類似度行列のスケール関係を課すペナルティ項を追加することである。 提案したクラスタリングアルゴリズムは,既存のNMFベースのアルゴリズムや,実際のデータセットに適用した場合の多様体学習ベースのアルゴリズムと比較される。
  論文  参考訳（メタデータ） (2022-09-22T09:32:18Z)
• Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
  行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。 我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。 UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-31T12:09:32Z)
• Joint NMF for Identification of Shared Features in Datasets and a Dataset Distance Measure [1.6099403809839032]
  連立非負行列因数分解を用いてデータセットの共有特徴を決定する新しい手法を導出する。 本手法は,画像とテキストのデータセットにおける構造的差異の識別に成功している。
  論文  参考訳（メタデータ） (2022-07-11T18:08:11Z)
• coVariance Neural Networks [119.45320143101381]
  グラフニューラルネットワーク(GNN)は、グラフ構造化データ内の相互関係を利用して学習する効果的なフレームワークである。 我々は、サンプル共分散行列をグラフとして扱う、共分散ニューラルネットワーク(VNN)と呼ばれるGNNアーキテクチャを提案する。 VNN の性能は PCA ベースの統計手法よりも安定していることを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:04:43Z)
• Adversarially-Trained Nonnegative Matrix Factorization [77.34726150561087]
  非負行列ファクタリゼーションの逆学習版を検討する。 我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。 辞書と係数行列を最適化するために, 逆学習に触発された効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-04-10T13:13:17Z)
• Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
  本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。 提案する最適化アルゴリズムを用いて効率的に解くことができる。
  論文  参考訳（メタデータ） (2021-03-24T21:17:17Z)
• Entropy Minimizing Matrix Factorization [102.26446204624885]
  NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。 本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。 通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
  論文  参考訳（メタデータ） (2021-03-24T21:08:43Z)
• Applications of Online Nonnegative Matrix Factorization to Image and Time-Series Data [7.554605806396426]
  オンライン非負行列分解アルゴリズムを用いて相関データセットのアンサンブルから共同辞書原子を学習する方法を示す。 OnMFアルゴリズムに基づく時系列データセットの時間辞書学習方式を提案する。
  論文  参考訳（メタデータ） (2020-11-10T20:33:20Z)
• Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
  我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。 暗黙正則化現象の理論的保証を提供する。
  論文  参考訳（メタデータ） (2020-07-16T13:27:47Z)

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。