Fugu-MT 論文翻訳(概要): Applications of Online Nonnegative Matrix Factorization to Image and Time-Series Data

論文の概要: Applications of Online Nonnegative Matrix Factorization to Image and Time-Series Data

arxiv url: http://arxiv.org/abs/2011.05384v1
Date: Tue, 10 Nov 2020 20:33:20 GMT
ステータス: 処理完了
システム内更新日: 2022-09-27 08:00:18.174604
Title: Applications of Online Nonnegative Matrix Factorization to Image and Time-Series Data
Title（参考訳）: オンライン非負行列分解の画像・時系列データへの応用
Authors: Hanbaek Lyu, Georg Menz, Deanna Needell, Christopher Strohmeier
Abstract要約: 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。
参考スコア（独自算出の注目度）: 7.554605806396426
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Online nonnegative matrix factorization (ONMF) is a matrix factorization technique in the online setting where data are acquired in a streaming fashion and the matrix factors are updated each time. This enables factor analysis to be performed concurrently with the arrival of new data samples. In this article, we demonstrate how one can use online nonnegative matrix factorization algorithms to learn joint dictionary atoms from an ensemble of correlated data sets. We propose a temporal dictionary learning scheme for time-series data sets, based on ONMF algorithms. We demonstrate our dictionary learning technique in the application contexts of historical temperature data, video frames, and color images.
Abstract（参考訳）: オンライン非負行列分解(onmf)は、ストリーミング形式でデータが取得され、行列因子が更新されるオンライン環境での行列分解手法である。これにより、新しいデータサンプルの到着と同時に、因子分析が実行できる。本稿では、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集合から共同辞書原子を学習する方法を実証する。本稿では,onmfアルゴリズムに基づく時系列データセットのための時間辞書学習手法を提案する。我々は,過去の温度データ,ビデオフレーム,カラー画像の応用状況において,辞書学習手法を実証する。

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)
Quadratic Matrix Factorization with Applications to Manifold Learning [1.6795461001108094]
本稿では,データセットの配置する曲線多様体を学習するための2次行列分解(QMF)フレームワークを提案する。アルゴリズムでは,QMFを最適化し,その理論的収束特性を確立するための交代最小化アルゴリズムを提案する。合成多様体学習データセットとMNIST手書きデータセットと低温電子顕微鏡データセットを含む2つの実データセットの実験は、提案手法が競合相手よりも優れていることを示す。
論文参考訳（メタデータ） (2023-01-30T15:09:00Z)
Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
論文参考訳（メタデータ） (2022-09-29T18:11:01Z)
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)
Estimation of Correlation Matrices from Limited time series Data using Machine Learning [0.0]
教師付き機械学習技術を用いて、ランダムに選択されたノードの有限時系列情報からシステム全体の相関行列を予測する。モデルからの予測の精度は、システム全体のサブセットの限られた時系列のみが、良好な相関行列予測を実現するのに十分であることを示す。
論文参考訳（メタデータ） (2022-09-02T17:49:34Z)
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)
Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文参考訳（メタデータ） (2021-04-13T23:21:01Z)
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)
Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文参考訳（メタデータ） (2020-12-04T19:21:37Z)
Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-05T07:06:19Z)
New advances in enumerative biclustering algorithms with online partitioning [80.22629846165306]
さらに、数値データセットの列に定数値を持つ最大二クラスタの効率的で完全で正しい非冗長列挙を実現できる二クラスタリングアルゴリズムであるRIn-Close_CVCを拡張した。改良されたアルゴリズムはRIn-Close_CVC3と呼ばれ、RIn-Close_CVCの魅力的な特性を保ちます。
論文参考訳（メタデータ） (2020-03-07T14:54:26Z)

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。