論文の概要: Recent Developments in Boolean Matrix Factorization

• arxiv url: http://arxiv.org/abs/2012.03127v1
• Date: Sat, 5 Dec 2020 22:00:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-22 12:12:46.050605
• Title: Recent Developments in Boolean Matrix Factorization
• Title（参考訳）: ブールマトリックス分解の最近の進歩
• Authors: Pauli Miettinen, Stefan Neumann
• Abstract要約: BMFの目標は、与えられた二項行列を2つの低ランク二項係数行列の積として近似することである。 BMFはデータマイニングと形式的な概念分析のコミュニティでかなりの注目を集めている。 我々は,これらのコミュニティの取り組みを簡潔に要約し,さらなる調査を要するオープンな疑問を提起する。
• 参考スコア（独自算出の注目度）: 12.005731086591139
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The goal of Boolean Matrix Factorization (BMF) is to approximate a given binary matrix as the product of two low-rank binary factor matrices, where the product of the factor matrices is computed under the Boolean algebra. While the problem is computationally hard, it is also attractive because the binary nature of the factor matrices makes them highly interpretable. In the last decade, BMF has received a considerable amount of attention in the data mining and formal concept analysis communities and, more recently, the machine learning and the theory communities also started studying BMF. In this survey, we give a concise summary of the efforts of all of these communities and raise some open questions which in our opinion require further investigation.
• Abstract（参考訳）: ブール行列分解(bmf)の目標は、与えられた二元行列を2つの低階二元因子行列の積として近似することであり、そこでは因子行列の積はブール代数の下で計算される。 問題は計算が難しいが、因子行列の2元性により高い解釈性を持つため、魅力的でもある。 過去10年間で、BMFはデータマイニングと形式的概念分析のコミュニティでかなりの注目を集めており、最近では機械学習と理論のコミュニティもBMFの研究を始めています。 本調査では,これらすべてのコミュニティの取り組みを簡潔に要約するとともに,今後の調査を必要とするオープンな質問を提起する。

関連論文リスト

• Recent and Upcoming Developments in Randomized Numerical Linear Algebra for Machine Learning [49.0767291348921]
  RandNLA (Randomized Numerical Linear Algebra) は、ランダムネスを用いてユビキタス行列問題に対する改良アルゴリズムを開発する分野である。 この記事では、これらの開発状況を踏まえた自己完結したRandNLAの概要を紹介する。
  論文  参考訳（メタデータ） (2024-06-17T02:30:55Z)
• Quantization of Large Language Models with an Overdetermined Basis [73.79368761182998]
  本稿では,嘉心表現の原理に基づくデータ量子化アルゴリズムを提案する。 以上の結果から, カシ量子化はモデル性能の競争力や優れた品質を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-04-15T12:38:46Z)
• Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement Learning [53.445068584013896]
  低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。 低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。 簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-10T17:06:41Z)
• Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
  本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。 MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。 理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
  論文  参考訳（メタデータ） (2023-08-26T06:12:33Z)
• 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)
• Boolean and $\mathbb{F}_p$-Matrix Factorization: From Theory to Practice [3.658952625899939]
  我々は$mathbbF_p$-Matrix Factorizationのための新しいアルゴリズムを開発した。 EPTAS for BMFは純粋に理論上の進歩である。 また、この戦略を用いて、関連する$mathbbF_p$-Matrix Factorizationのための新しいアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2022-07-25T06:05:12Z)
• Matrix Decomposition and Applications [8.034728173797953]
  1954年、Alston S. Householder は行列分解に関する最初の近代的な研究の1つである Principles of Numerical Analysis を出版した。 行列分解は、主にニューラルネットワークに適合するバック伝搬アルゴリズムの開発によって、機械学習のコア技術となった。
  論文  参考訳（メタデータ） (2022-01-01T08:13:48Z)
• Identifiability in Exact Two-Layer Sparse Matrix Factorization [0.0]
  スパース行列分解(sparse matrix factorization)は、L スパース因子 X(L) X(L--1) の積による行列 Z の近似の問題である。 本稿では,この問題に現れる識別可能性の問題に焦点をあてる。
  論文  参考訳（メタデータ） (2021-10-04T07:56:37Z)
• Binary Matrix Factorisation and Completion via Integer Programming [3.4376560669160394]
  ランク-k二元行列分解問題(k-BMF)に対するコンパクトかつ2つの指数サイズの整数プログラム(IP)を提案する。 コンパクトIPはLP緩和が弱いのに対し,指数サイズのLPはLP緩和が強いことを示す。
  論文  参考訳（メタデータ） (2021-06-25T05:17:51Z)
• Robust Low-rank Matrix Completion via an Alternating Manifold Proximal Gradient Continuation Method [47.80060761046752]
  ロバスト低ランク行列補完(RMC)は、コンピュータビジョン、信号処理、機械学習アプリケーションのために広く研究されている。 この問題は、部分的に観察された行列を低ランク行列とスパース行列の重ね合わせに分解することを目的とした。 RMCに取り組むために広く用いられるアプローチは、低ランク行列の核ノルム(低ランク性を促進するために)とスパース行列のl1ノルム(空間性を促進するために)を最小化する凸定式化を考えることである。 本稿では、近年のローワークの動機付けについて述べる。
  論文  参考訳（メタデータ） (2020-08-18T04:46:22Z)

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。