論文の概要: HyperNTF: A Hypergraph Regularized Nonnegative Tensor Factorization for Dimensionality Reduction

• arxiv url: http://arxiv.org/abs/2101.06827v2
• Date: Tue, 26 Jan 2021 16:08:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-27 18:58:07.172507
• Title: HyperNTF: A Hypergraph Regularized Nonnegative Tensor Factorization for Dimensionality Reduction
• Title（参考訳）: HyperNTF: 次元化のためのハイパーグラフ正規化非負テンソル因子化
• Authors: Wanguang Yin, Zhengming Ma, Quanying Liu
• Abstract要約: ハイパーグラフ正規化非負因子法(HyperNTF)という新しい手法を提案する。 HyperNTFはテンソルファクタリゼーションにおいて非負性を維持し、最も近い近傍間の高次関係を明らかにすることができる。 実験の結果,HyperNTFはクラスタリング解析において最先端のアルゴリズムよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 2.1485350418225244
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Most methods for dimensionality reduction are based on either tensor representation or local geometry learning. However, the tensor-based methods severely rely on the assumption of global and multilinear structures in high-dimensional data; and the manifold learning methods suffer from the out-of-sample problem. In this paper, bridging the tensor decomposition and manifold learning, we propose a novel method, called Hypergraph Regularized Nonnegative Tensor Factorization (HyperNTF). HyperNTF can preserve nonnegativity in tensor factorization, and uncover the higher-order relationship among the nearest neighborhoods. Clustering analysis with HyperNTF has low computation and storage costs. The experiments on four synthetic data show a desirable property of hypergraph in uncovering the high-order correlation to unfold the curved manifolds. Moreover, the numerical experiments on six real datasets suggest that HyperNTF robustly outperforms state-of-the-art algorithms in clustering analysis.
• Abstract（参考訳）: 次元還元のほとんどの方法はテンソル表現または局所幾何学学習に基づいている。 しかしながら、テンソルに基づく手法は、高次元データにおける大域的・多線型構造の仮定に強く依存しており、多様体学習法はサンプル問題に苦しむ。 本稿では、テンソル分解と多様体学習を橋渡しし、ハイパーグラフ正則化非負のテンソル因子分解(hyperntf)と呼ばれる新しい手法を提案する。 HyperNTFはテンソル因子化における非負性を保つことができ、最も近い地区間の高次関係を明らかにする。 HyperNTFによるクラスタリング解析は、計算コストとストレージコストが低い。 4つの合成データに関する実験は、曲線多様体を展開する高次相関を明らかにする際にハイパーグラフの望ましい性質を示す。 さらに,6つの実データセットに対する数値実験から,hyperntfはクラスタリング解析において最先端アルゴリズムよりも頑健に優れることが示唆された。

関連論文リスト

• Irregular Tensor Low-Rank Representation for Hyperspectral Image Representation [71.69331824668954]
  低ランクテンソル表現はスペクトル変動を緩和するための重要なアプローチである。 従来の低ランク表現法は、通常のデータキューブにのみ適用できる。 本稿では,不規則な3次元立方体を効率的にモデル化できる新しい不規則な低ランク表現法を提案する。
  論文  参考訳（メタデータ） (2024-10-24T02:56:22Z)
• High-Dimensional Tensor Discriminant Analysis with Incomplete Tensors [5.745276598549783]
  本研究では,高次元線形判別分析における不完全データを用いたテンソル分類手法を提案する。 提案手法は,データ不足のかなりの割合であっても,シミュレーションや実データ解析において優れた性能を示す。
  論文  参考訳（メタデータ） (2024-10-18T18:00:16Z)
• Scalable tensor methods for nonuniform hypergraphs [0.18434042562191813]
  最近提案された隣接テンソルは、非一様ハイパーグラフに適用できるが、実際は形成・解析するのに著しくコストがかかる。 テンソル時間同値ベクトル(TTSV)アルゴリズムを開発し,複雑性を$O(nr)$から$r$の低次に改善する。 テンソルベースハイパーグラフ集中度とクラスタリングアルゴリズムを開発することにより,我々のアプローチの柔軟性と実用性を実証する。
  論文  参考訳（メタデータ） (2023-06-30T17:41:58Z)
• Tensorized Hypergraph Neural Networks [69.65385474777031]
  我々は,新しいアジャケーシテンソルベースのtextbfTensorized textbfHypergraph textbfNeural textbfNetwork (THNN) を提案する。 THNNは高次外装機能パッシングメッセージを通じて、忠実なハイパーグラフモデリングフレームワークである。 3次元視覚オブジェクト分類のための2つの広く使われているハイパーグラフデータセットの実験結果から、モデルの有望な性能を示す。
  論文  参考訳（メタデータ） (2023-06-05T03:26:06Z)
• Fast Learnings of Coupled Nonnegative Tensor Decomposition Using Optimal Gradient and Low-rank Approximation [7.265645216663691]
  交互勾配法(CoNCPD-APG)により最適化された新しい非負のCANDECOMP/PARAFAC分解アルゴリズムを提案する。 提案手法は,低ランク近似をCONCPD-APG法と組み合わせることで,分解品質を損なうことなく計算負担を大幅に削減することができる。
  論文  参考訳（メタデータ） (2023-02-10T08:49:36Z)
• Equivariant Hypergraph Diffusion Neural Operators [81.32770440890303]
  ハイパーグラフを符号化するためにニューラルネットワークを使用するハイパーグラフニューラルネットワーク(HNN)は、データの高次関係をモデル化する有望な方法を提供する。 本研究ではED-HNNと呼ばれる新しいHNNアーキテクチャを提案する。 実世界の9つのハイパーグラフデータセットのノード分類におけるED-HNNの評価を行った。
  論文  参考訳（メタデータ） (2022-07-14T06:17:00Z)
• High-Order Multilinear Discriminant Analysis via Order-$\textit{n}$ Tensor Eigendecomposition [0.0]
  本稿では,高次マルチリニア判別分析(HOMLDA)と呼ばれるテンソルベースマルチリニア判別分析への新しいアプローチを提案する。 提案手法は,現在のタッカー分解に基づく教師あり学習法に対して,分類性能の向上を実現する。
  論文  参考訳（メタデータ） (2022-05-18T19:49:54Z)
• Scaling and Scalability: Provable Nonconvex Low-Rank Tensor Estimation from Incomplete Measurements [30.395874385570007]
  基本的な課題は、高度に不完全な測定からテンソルを忠実に回収することである。 タッカー分解におけるテンソル因子を直接回復するアルゴリズムを開発した。 2つの正準問題に対する基底真理テンソルの線形独立率で確実に収束することを示す。
  論文  参考訳（メタデータ） (2021-04-29T17:44:49Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• Manifold Learning via Manifold Deflation [105.7418091051558]
  次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。 多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。 本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。 実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
  論文  参考訳（メタデータ） (2020-07-07T10:04:28Z)
• Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation [105.33409035876691]
  本稿では,テンソル低ランクモデルに基づくマルチビュースペクトルクラスタリング(MVSC)の問題について検討する。 MVSCに適合する新しい構造テンソル低ランクノルムを設計する。 提案手法は最先端の手法よりもかなり優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T11:52:12Z)

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。