論文の概要: A Complete Discriminative Tensor Representation Learning for Two-Dimensional Correlation Analysis

• arxiv url: http://arxiv.org/abs/2103.00367v1
• Date: Sun, 28 Feb 2021 01:13:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-03 16:20:25.191380
• Title: A Complete Discriminative Tensor Representation Learning for Two-Dimensional Correlation Analysis
• Title（参考訳）: 2次元相関解析のための完全識別テンソル表現学習
• Authors: Lei Gao, and Ling Guan
• Abstract要約: 2次元信号解析のための線形相関解析に基づく完全判別テンソル表現学習(CDTRL)法を提案する。 画像) 実験の結果,提案したCDTRLは評価されたデータセット上で最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 19.158947368297557
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As an effective tool for two-dimensional data analysis, two-dimensional canonical correlation analysis (2DCCA) is not only capable of preserving the intrinsic structural information of original two-dimensional (2D) data, but also reduces the computational complexity effectively. However, due to the unsupervised nature, 2DCCA is incapable of extracting sufficient discriminatory representations, resulting in an unsatisfying performance. In this letter, we propose a complete discriminative tensor representation learning (CDTRL) method based on linear correlation analysis for analyzing 2D signals (e.g. images). This letter shows that the introduction of the complete discriminatory tensor representation strategy provides an effective vehicle for revealing, and extracting the discriminant representations across the 2D data sets, leading to improved results. Experimental results show that the proposed CDTRL outperforms state-of-the-art methods on the evaluated data sets.
• Abstract（参考訳）: 2次元データ解析の有効なツールとして、2次元正準相関解析(2DCCA)は、元の2次元(2D)データの固有構造情報を保存できるだけでなく、計算複雑性を効果的に低減する。 しかし、2DCCAは教師なしの性質のため、十分な識別表現を抽出できないため、満足のいく性能は得られない。 本稿では,2次元信号解析のための線形相関解析に基づく完全判別テンソル表現学習(CDTRL)法を提案する。 画像)。 本文は, 完全判別テンソル表現戦略の導入により, 2次元データセット間での識別表現を明らかにする, 抽出する有効な手段が得られ, 結果が向上したことを示す。 実験の結果,提案したCDTRLは評価されたデータセット上で最先端の手法よりも優れていた。

関連論文リスト

• 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)
• Kernel spectral joint embeddings for high-dimensional noisy datasets using duo-landmark integral operators [9.782959684053631]
  本研究では、2つの独立に観測された高次元ノイズデータセットの結合埋め込みを実現する新しいカーネルスペクトル法を提案する。 得られた低次元埋め込みは、同時クラスタリング、データの可視化、デノイングなど、多くの下流タスクに利用できる。
  論文  参考訳（メタデータ） (2024-05-20T18:29:36Z)
• Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
  本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。 本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
  論文  参考訳（メタデータ） (2024-02-14T16:10:42Z)
• Deep Semi-supervised Learning with Double-Contrast of Features and Semantics [2.2230089845369094]
  本稿では,エンド・ツー・エンドの半教師あり学習における意味と特徴の二重コントラストを提案する。 我々は情報理論を活用し、意味論と特徴の二重コントラストの合理性を説明する。
  論文  参考訳（メタデータ） (2022-11-28T09:08:19Z)
• Learning Low-Dimensional Nonlinear Structures from High-Dimensional Noisy Data: An Integral Operator Approach [5.975670441166475]
  本研究では,高次元および雑音観測から低次元非線形構造を学習するためのカーネルスペクトル埋め込みアルゴリズムを提案する。 このアルゴリズムは、基礎となる多様体の事前の知識に依存しない適応的な帯域幅選択手順を用いる。 得られた低次元埋め込みは、データ可視化、クラスタリング、予測などの下流目的にさらに活用することができる。
  論文  参考訳（メタデータ） (2022-02-28T22:46:34Z)
• Unsupervised low-rank representations for speech emotion recognition [78.38221758430244]
  音声感情認識のための低ランク特徴表現の抽出に線形および非線形次元削減アルゴリズムを用いて検討する。 異なる分類法を用いて2つのデータベース上で学習した表現の音声認識(SER)結果を報告する。
  論文  参考訳（メタデータ） (2021-04-14T18:30:58Z)
• Two-dimensional Bhattacharyya bound linear discriminant analysis with its applications [8.392689203476955]
  Bhattacharyya誤差境界推定(L2BLDA)によるL2-ノルム線形判別分析基準は,特徴抽出のための線形判別分析(LDA)を効果的に改善する。 L2BLDAを2次元バナチャリア境界線形判別分析(2DBLDA)に拡張する。 2DBLDAの構成により、ロバスト性を持ちながら小さなサンプルサイズ問題を回避することができ、単純な標準固有値分解問題によって解決できる。
  論文  参考訳（メタデータ） (2020-11-11T01:56:42Z)
• Evaluating representations by the complexity of learning low-loss predictors [55.94170724668857]
  下流タスクの解決に使用されるデータの表現を評価することの問題点を考察する。 本稿では,関心のあるタスクにおける低損失を実現する表現の上に,予測器を学習する複雑性によって表現の質を測定することを提案する。
  論文  参考訳（メタデータ） (2020-09-15T22:06:58Z)
• Dual Adversarial Auto-Encoders for Clustering [152.84443014554745]
  教師なしクラスタリングのためのDual-AAE(Dual-AAE)を提案する。 Dual-AAEの目的関数に対する変分推論を行うことで,一対のオートエンコーダをトレーニングすることで最適化可能な新たな再構成損失を導出する。 4つのベンチマーク実験により、Dual-AAEは最先端のクラスタリング手法よりも優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2020-08-23T13:16:34Z)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)
• BiDet: An Efficient Binarized Object Detector [96.19708396510894]
  本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。 我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。 我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
  論文  参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。