論文の概要: Generalized eigen, singular value, and partial least squares
decompositions: The GSVD package
- arxiv url: http://arxiv.org/abs/2010.14734v3
- Date: Tue, 17 Nov 2020 23:59:48 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-02 06:32:49.323778
- Title: Generalized eigen, singular value, and partial least squares
decompositions: The GSVD package
- Title（参考訳）: 一般化固有値、特異値、部分最小二乗分解:GSVDパッケージ
- Authors: Derek Beaton (1) ((1) Rotman Research Institute, Baycrest Health
Sciences)
- Abstract要約: 一般化特異値分解(GSVD)は、最も一般的な多変量解析のほとんど全てを実行する統一戦略と基礎を提供する。
GSVDはユビキタスで強力で柔軟性があるが、実装はほとんどない。
GSVDは、多くの技術に対してより統一された概念的アプローチと命名を提供するのに役立つ。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The generalized singular value decomposition (GSVD, a.k.a. "SVD triplet",
"duality diagram" approach) provides a unified strategy and basis to perform
nearly all of the most common multivariate analyses (e.g., principal
components, correspondence analysis, multidimensional scaling, canonical
correlation, partial least squares). Though the GSVD is ubiquitous, powerful,
and flexible, it has very few implementations. Here I introduce the GSVD
package for R. The general goal of GSVD is to provide a small set of accessible
functions to perform the GSVD and two other related decompositions (generalized
eigenvalue decomposition, generalized partial least squares-singular value
decomposition). Furthermore, GSVD helps provide a more unified conceptual
approach and nomenclature to many techniques. I first introduce the concept of
the GSVD, followed by a formal definition of the generalized decompositions.
Next I provide some key decisions made during development, and then a number of
examples of how to use GSVD to implement various statistical techniques. These
examples also illustrate one of the goals of GSVD: how others can (or should)
build analysis packages that depend on GSVD. Finally, I discuss the possible
future of GSVD.
- Abstract（参考訳）: 一般化特異値分解(GSVD, "SVD triplet", "duality diagram" approach)は、最も一般的な多変量解析(主成分、対応解析、多次元スケーリング、正準相関、部分最小二乗)のほとんど全てを実行する統一戦略と基礎を提供する。
GSVDはユビキタスで強力で柔軟性があるが、実装はほとんどない。
GSVDの一般的な目標は、GSVDと他の2つの関連する分解(一般化固有値分解、一般化最小二乗特異値分解)を実行するための小さなアクセス可能な関数セットを提供することである。
さらに、GSVDは多くの技術に対してより統一された概念的アプローチと命名を提供するのに役立つ。
まず GSVD の概念を紹介し、次に一般化された分解の形式的定義を示す。
次に、開発中に重要な決定を下し、様々な統計手法の実装にGSVDを使う方法の例をいくつか紹介します。
これらの例はまた、gsvdの目標である、gsvdに依存する分析パッケージをどのように構築するか(あるいはそうすべきか)を説明している。
最後に,GSVDの将来について論じる。
関連論文リスト
- A Runtime Analysis of the Multi-Valued Compact Genetic Algorithm on Generalized LeadingOnes [2.07180164747172]
我々は,r値のLeadingOnes関数上での複数値cGAのランタイム解析を行った。
r-LeadingOnes上のr-cGAのランタイムは、高い確率でO(n2r2 log3 n log2 r)であることが示される。
論文 参考訳（メタデータ） (2025-01-16T12:59:07Z) - Publicly-Verifiable Deletion via Target-Collapsing Functions [81.13800728941818]
ターゲットの折り畳みは、公開可能な削除(PVD)を可能にすることを示す。
我々は、弱い暗号的仮定から公開可能な削除を支援する様々なプリミティブを得るために、このフレームワークを構築している。
論文 参考訳（メタデータ） (2023-03-15T15:00:20Z) - Greedy based Value Representation for Optimal Coordination in
Multi-agent Reinforcement Learning [64.05646120624287]
LVDとMVDの結合Q値関数を導出する。
最適な整合性を確保するために、最適なノードは独自のSTNである必要がある。
本手法は,様々なベンチマーク実験において,最先端のベースラインよりも優れた性能を示す。
論文 参考訳（メタデータ） (2022-11-22T08:14:50Z) - Partial Least Square Regression via Three-factor SVD-type Manifold
Optimization for EEG Decoding [4.0204191666595595]
双グラスマン多様体 (PLSRbiGr) の最適化による部分最小二乗回帰(PLSR)の解法を提案する。
qlPLSRbiGrは、運動画像(MI)における脳波信号を復号する様々な実験と、定常視覚誘発電位(SSVEP)タスクで検証される。
論文 参考訳（メタデータ） (2022-08-09T11:57:02Z) - Risk Bounds of Multi-Pass SGD for Least Squares in the Interpolation
Regime [127.21287240963859]
勾配降下(SGD)は最適化と一般化の両方において優れた性能を持つため、大きな成功を収めている。
本稿では,マルチパスSGDの一般化を強く特徴付けることを目的とする。
我々は,SGDが同じレベルの過剰リスクを達成するためには,GD以上を必要とするが,勾配評価の回数を削減できることを示した。
論文 参考訳（メタデータ） (2022-03-07T06:34:53Z) - Approximation of Images via Generalized Higher Order Singular Value
Decomposition over Finite-dimensional Commutative Semisimple Algebra [18.144916444749473]
有限次元可換代数上でのHOSVDの一般化の問題を考える。
公開されている画像の実験では、THOSVDと呼ばれるt-スカラー上の一般化されたアルゴリズムが、標準のものと好意的に比較されている。
論文 参考訳（メタデータ） (2022-02-01T15:01:12Z) - A general sample complexity analysis of vanilla policy gradient [101.16957584135767]
政策勾配(PG)は、最も一般的な強化学習(RL)問題の1つである。
PG軌道の「バニラ」理論的理解は、RL問題を解く最も一般的な方法の1つである。
論文 参考訳（メタデータ） (2021-07-23T19:38:17Z) - A Unified Off-Policy Evaluation Approach for General Value Function [131.45028999325797]
一般価値関数(GVF)は、強化学習(RL)における予測的知識と振り返り的知識の両方を表現する強力なツールである。
本稿では,GVF評価のためのGenTDと呼ばれる新しいアルゴリズムを提案する。
我々は、GenTDが単一の標準スカラー値関数と同じくらい効率的に複数の相互関連多次元GVFを学習することを示す。
論文 参考訳（メタデータ） (2021-07-06T16:20:34Z) - Why Approximate Matrix Square Root Outperforms Accurate SVD in Global
Covariance Pooling? [59.820507600960745]
本稿では,前方通過のSVDと後方伝播のPad'e近似を用いて勾配を計算する新しいGCPメタ層を提案する。
提案するメタレイヤは,さまざまなCNNモデルに統合され,大規模および微細なデータセット上で最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2021-05-06T08:03:45Z) - A Unified Analysis of Stochastic Gradient Methods for Nonconvex
Federated Optimization [16.714109768541785]
非非状態におけるSGD不変量を満たすすべての方法について単一の解析を行う。
また、PL条件下での非非状態におけるより高速な線形収束を得るための統一解析も提供する。
論文 参考訳（メタデータ） (2020-06-12T08:58:03Z) - 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。
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。