Fugu-MT 論文翻訳(概要): Matrix Decomposition on Graphs: A Functional View

論文の概要: Matrix Decomposition on Graphs: A Functional View

arxiv url: http://arxiv.org/abs/2102.03233v1
Date: Fri, 5 Feb 2021 15:28:11 GMT
ステータス: 処理完了
システム内更新日: 2021-02-08 14:43:32.068273
Title: Matrix Decomposition on Graphs: A Functional View
Title（参考訳）: グラフ上のマトリックス分解:機能的な視点
Authors: Abhishek Sharma, Maks Ovsjanikov
Abstract要約: 本稿では,グラフ上の行列分解問題の関数的考察を提案する。我々のフレームワークは、還元基底を用いて積空間上の関数を表現することは、低階行列近似を回復するのに十分である、というキーアイデアに基づいている。
参考スコア（独自算出の注目度）: 36.85782408336389
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We propose a functional view of matrix decomposition problems on graphs such as geometric matrix completion and graph regularized dimensionality reduction. Our unifying framework is based on the key idea that using a reduced basis to represent functions on the product space is sufficient to recover a low rank matrix approximation even from a sparse signal. We validate our framework on several real and synthetic benchmarks (for both problems) where it either outperforms state of the art or achieves competitive results at a fraction of the computational effort of prior work.
Abstract（参考訳）: 幾何学的行列完成やグラフ正規化次元還元などのグラフ上の行列分解問題の関数的視点を提案する。我々の統一フレームワークは、還元基底を用いて積空間上の関数を表現することは、スパース信号からでも低階行列近似を回復するのに十分である、というキーアイデアに基づいている。いくつかの実・合成ベンチマーク(両方の問題に対して)において、我々のフレームワークを検証し、最先端技術よりも優れているか、事前作業の計算作業のほんの一部で競合的な結果が得られるかした。

関連論文リスト

Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。この問題は楕円分布のペナルティ化された最大推定値として表される。楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文参考訳（メタデータ） (2022-10-21T13:19:45Z)
Semi-Supervised Clustering via Dynamic Graph Structure Learning [12.687613487964088]
既存の半教師付きグラフベースのクラスタリング手法は、アフィニティ行列の精細化や、データポイントの低次元表現の制約によって、監督情報を利用する。半教師付きグラフクラスタリングのための動的グラフ学習法を提案する。
論文参考訳（メタデータ） (2022-09-06T14:05:31Z)
Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。 6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-05-21T01:47:17Z)
Graph-based Neural Acceleration for Nonnegative Matrix Factorization [0.0]
非負行列分解のためのグラフベースのニューラルアクセラレーション手法について述べる。我々は,乗算器の交互方向法に基づく更新により,二部構成の自己認識層をインターリーブするグラフニューラルネットワークを訓練する。実世界のデータセットと2つの実世界のデータセットに対する評価は、より小さな合成インスタンスで教師なしの訓練をしても、かなり加速できることを示している。
論文参考訳（メタデータ） (2022-02-01T07:52:01Z)
Matrix Completion with Hierarchical Graph Side Information [39.00971122472004]
ソーシャルグラフやアイテム類似性グラフを副次情報として活用する行列補完問題を考える。我々は階層的なグラフクラスタリングから始まる普遍的でパラメータフリーで計算効率のよいアルゴリズムを開発した。我々は、我々の理論的結果を裏付けるために、合成および実世界のデータセットに関する広範な実験を行う。
論文参考訳（メタデータ） (2022-01-02T03:47:41Z)
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)
Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。新規な構造化融合正規化に基づく一般グラフ推定器を提案する。提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文参考訳（メタデータ） (2021-03-05T04:42:32Z)
Geometric Matrix Completion: A Functional View [35.58521417084282]
より解釈可能で理論的に健全な関数型地図文献から着想を得た新しい正規化を提案する。基礎となる幾何学的構造が強い合成タスクでは、我々のフレームワークは大きなマージンで芸術の状態を上回ります。実際のデータセットでは、従来の手法の計算作業のほんの一部で最先端の結果が得られる。
論文参考訳（メタデータ） (2020-09-29T23:23:04Z)
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。