論文の概要: Deep Learning Approach for Matrix Completion Using Manifold Learning
- arxiv url: http://arxiv.org/abs/2012.06063v1
- Date: Fri, 11 Dec 2020 01:01:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-14 11:00:48.767318
- Title: Deep Learning Approach for Matrix Completion Using Manifold Learning
- Title（参考訳）: マニフォールド学習を用いた行列補完のための深層学習手法
- Authors: Saeid Mehrdad, Mohammad Hossein Kahaei
- Abstract要約: 本論文では,線形モデルと非線形モデルを組み合わせたデータ行列の新しい潜在変数モデルを提案する。
データマトリクスのエントリ間の線形および非線形関係の両方に対処するために、新しいディープニューラルネットワークベースの行列補完アルゴリズムを設計します。
- 参考スコア（独自算出の注目度）: 3.04585143845864
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Matrix completion has received vast amount of attention and research due to
its wide applications in various study fields. Existing methods of matrix
completion consider only nonlinear (or linear) relations among entries in a
data matrix and ignore linear (or nonlinear) relationships latent. This paper
introduces a new latent variables model for data matrix which is a combination
of linear and nonlinear models and designs a novel deep-neural-network-based
matrix completion algorithm to address both linear and nonlinear relations
among entries of data matrix. The proposed method consists of two branches. The
first branch learns the latent representations of columns and reconstructs the
columns of the partially observed matrix through a series of hidden neural
network layers. The second branch does the same for the rows. In addition,
based on multi-task learning principles, we enforce these two branches work
together and introduce a new regularization technique to reduce over-fitting.
More specifically, the missing entries of data are recovered as a main task and
manifold learning is performed as an auxiliary task. The auxiliary task
constrains the weights of the network so it can be considered as a regularizer,
improving the main task and reducing over-fitting. Experimental results
obtained on the synthetic data and several real-world data verify the
effectiveness of the proposed method compared with state-of-the-art matrix
completion methods.
- Abstract（参考訳）: 行列の完成は、様々な研究分野に広く応用されているため、多くの注目を集め、研究されている。
既存の行列補完法は、データ行列のエントリ間の非線形(あるいは線形)関係のみを考慮し、線形(または非線形)関係を潜在的に無視する。
本稿では,線形モデルと非線形モデルを組み合わせたデータ行列のための新しい潜在変数モデルを提案し,データ行列のエントリ間の線形関係と非線形関係に対処する新しい深層ニューラルネットワークに基づく行列補完アルゴリズムを提案する。
提案手法は2つの分枝からなる。
第1のブランチは列の潜在表現を学び、隠れたニューラルネットワーク層を通じて部分的に観察された行列の列を再構築する。
2番目のブランチは行に対して同じことをします。
さらに、マルチタスク学習の原則に基づき、これら2つのブランチを連携させ、オーバーフィッティングを減らすための新しい正規化手法を導入する。
具体的には、欠落したデータのエントリをメインタスクとして回収し、補助タスクとして多様体学習を行う。
補助タスクは、ネットワークの重みを制約し、正規化要因と見なすことができ、メインタスクを改善し、過度な適合を減らす。
合成データと実世界データから得られた実験結果から,提案手法の有効性を最新行列補完法と比較して検証した。
関連論文リスト
- Fast Dual-Regularized Autoencoder for Sparse Biological Data [65.268245109828]
本研究では,近傍正規化行列補完問題に対する浅層オートエンコーダを開発する。
本研究は, 薬物と薬物の相互作用と薬物の放出関連性を予測する上で, 既存の最先端技術に対するアプローチの速度と精度の優位性を実証する。
論文 参考訳（メタデータ） (2024-01-30T01:28:48Z) - An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-09-30T15:57:14Z) - Transductive Matrix Completion with Calibration for Multi-Task Learning [3.7660066212240757]
マルチタスク学習フレームワークにおける特徴量に対する校正制約を組み込んだトランスダクティブ行列補完アルゴリズムを提案する。
提案アルゴリズムは,不完全特徴行列とターゲット行列を同時に復元する。
いくつかの合成データ実験を行い、提案手法が既存の手法より優れていることを示す。
論文 参考訳（メタデータ） (2023-02-20T08:47:23Z) - Bayesian Low-rank Matrix Completion with Dual-graph Embedding: Prior
Analysis and Tuning-free Inference [16.82986562533071]
本稿では,デュアルグラフ正規化に関連するハイパーパラメータを自動的に学習する新しいベイズ学習アルゴリズムを提案する。
行列の低ランク化を促進し、デュアルグラフ情報を同時に符号化する新規な事前設計を行う。
合成および実世界のデータセットを用いた実験は、提案した学習アルゴリズムの最先端性能を示す。
論文 参考訳（メタデータ） (2022-03-18T16:38:30Z) - Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via
GDPA Linearization [59.87663954467815]
アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。
本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。
実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
論文 参考訳（メタデータ） (2021-09-10T07:01:15Z) - Meta-learning for Matrix Factorization without Shared Rows or Columns [39.56814839510978]
提案手法は,行列を入力とするニューラルネットワークを用いて,行列の分解行列の事前分布を生成する。
ニューラルネットワークは、期待される計算誤差を最小限に抑えるようにメタ学習される。
3つのユーザ・イテム評価データセットを用いた実験により,提案手法は未知の行列における限られた数の観測結果から,欠落した値をインプットできることを示した。
論文 参考訳（メタデータ） (2021-06-29T07:40:20Z) - Nonparametric Trace Regression in High Dimensions via Sign Series
Representation [13.37650464374017]
高次元関数の構造的符号系列表現による非パラメトリックトレース回帰モデルのためのフレームワークを開発する。
行列完備化の文脈において、我々のフレームワークは、行列の「符号ランク」と呼ばれるものに基づいて、かなりリッチなモデルへと導かれる。
論文 参考訳（メタデータ） (2021-05-04T22:20:00Z) - Deep Two-way Matrix Reordering for Relational Data Analysis [41.60125423028092]
行列の並べ替えは、与えられた行列の行と列をパーミュレートするタスクである。
本稿ではニューラルネットモデルを用いた新しい行列並べ替え手法Deep Two-way Matrix Reordering (DeepTMR)を提案する。
合成データセットと実用データセットの両方に適用することで,提案されたDeepTMRの有効性を実証する。
論文 参考訳（メタデータ） (2021-03-26T01:31:24Z) - Learning Mixtures of Low-Rank Models [89.39877968115833]
低ランクモデルの計算混合を学習する問題について検討する。
ほぼ最適サンプルを用いて未知の行列を復元することが保証されるアルゴリズムを開発する。
さらに,提案アルゴリズムはランダムノイズに対して確実に安定である。
論文 参考訳（メタデータ） (2020-09-23T17:53:48Z) - Eigendecomposition-Free Training of Deep Networks for Linear
Least-Square Problems [107.3868459697569]
我々は、ディープネットワークのトレーニングに固有分解のないアプローチを導入する。
この手法は固有分解の明示的な微分よりもはるかに堅牢であることを示す。
我々の手法は収束特性が良く、最先端の結果が得られます。
論文 参考訳（メタデータ） (2020-04-15T04:29:34Z) - Provable Meta-Learning of Linear Representations [114.656572506859]
我々は、複数の関連するタスクから共通の機能の集合を学習し、その知識を新しい未知のタスクに転送する、という2つの課題に対処する、高速でサンプル効率のアルゴリズムを提供する。
また、これらの線形特徴を学習する際のサンプルの複雑さに関する情報理論の下限も提供する。
論文 参考訳（メタデータ） (2020-02-26T18:21:34Z)
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。