論文の概要: Low-Rank Isomap Algorithm
- arxiv url: http://arxiv.org/abs/2103.04060v1
- Date: Sat, 6 Mar 2021 08:08:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-09 15:58:21.767166
- Title: Low-Rank Isomap Algorithm
- Title(参考訳): 低ランクisomapアルゴリズム
- Authors: Eysan Mehrbani, Mohammad Hossein Kahaei
- Abstract要約: そこで我々は,Isomapの複雑度を線形順序に抑えるために,Low-Rank Isomapアルゴリズムを提案する。
低ランクのisomapアルゴリズムと最先端のアルゴリズムの比較は、顔画像クラスタリングにおいて実験的に検証されている。
- 参考スコア(独自算出の注目度): 3.04585143845864
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The Isomap is a well-known nonlinear dimensionality reduction method that
highly suffers from computational complexity. Its computational complexity
mainly arises from two stages; a) embedding a full graph on the data in the
ambient space, and b) a complete eigenvalue decomposition. Although the
reduction of the computational complexity of the graphing stage has been
investigated, yet the eigenvalue decomposition stage remains a bottleneck in
the problem. In this paper, we propose the Low-Rank Isomap algorithm by
introducing a projection operator on the embedded graph from the ambient space
to a low-rank latent space to facilitate applying the partial eigenvalue
decomposition. This approach leads to reducing the complexity of Isomap to a
linear order while preserving the structural information during the
dimensionality reduction process. The superiority of the Low-Rank Isomap
algorithm compared to some state-of-art algorithms is experimentally verified
on facial image clustering in terms of speed and accuracy.
- Abstract(参考訳): イソマップは、計算複雑性に悩まされるよく知られた非線形次元減少法である。
その計算の複雑さは、主に2つの段階から生じ、a) 空間内のデータに完全なグラフを埋め込む、b) 完全な固有値分解である。
グラフ化段階の計算の複雑さの減少は研究されているが、固有値分解段階は問題のボトルネックのままである。
本稿では,埋め込みグラフ上の射影演算子を環境空間から低ランク潜在空間に導入し,部分固有値分解の適用を容易にすることで,低ランクisomapアルゴリズムを提案する。
このアプローチは、次元還元プロセス中に構造情報を保存しながら、アイソマップの複雑さを線形順序に減少させる。
いくつかの最先端のアルゴリズムと比較してローランクアイソマップアルゴリズムの優位性は、速度と精度の観点から顔画像クラスタリングで実験的に検証されています。
関連論文リスト
- Recovering Simultaneously Structured Data via Non-Convex Iteratively
Reweighted Least Squares [0.8702432681310401]
線形観測から多種多様低次元構造に固執するデータを復元する新しいアルゴリズムを提案する。
IRLS法は,低/複合状態の計測に好適であることを示す。
論文 参考訳(メタデータ) (2023-06-08T06:35:47Z) - Linearized Wasserstein dimensionality reduction with approximation
guarantees [65.16758672591365]
LOT Wassmap は、ワーッサーシュタイン空間の低次元構造を明らかにするための計算可能なアルゴリズムである。
我々は,LOT Wassmapが正しい埋め込みを実現し,サンプルサイズの増加とともに品質が向上することを示す。
また、LOT Wassmapがペア距離計算に依存するアルゴリズムと比較して計算コストを大幅に削減することを示す。
論文 参考訳(メタデータ) (2023-02-14T22:12:16Z) - Accelerated Proximal Alternating Gradient-Descent-Ascent for Nonconvex
Minimax Machine Learning [12.069630105460766]
AltGDA(Alternating Table-descentascent)は、様々な機械学習アプリケーションで広く使われている計算最適化アルゴリズムである。
本論文では,最小限の最適化問題を解くために,単一ループの高速なループ勾配計算アルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-12-22T04:33:27Z) - Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。
提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
論文 参考訳(メタデータ) (2021-05-23T19:21:55Z) - Analysis of Truncated Orthogonal Iteration for Sparse Eigenvector
Problems [78.95866278697777]
本研究では,多元的固有ベクトルを分散制約で同時に計算するTruncated Orthogonal Iterationの2つの変種を提案する。
次に,我々のアルゴリズムを適用して,幅広いテストデータセットに対するスパース原理成分分析問題を解く。
論文 参考訳(メタデータ) (2021-03-24T23:11:32Z) - A Local Similarity-Preserving Framework for Nonlinear Dimensionality
Reduction with Neural Networks [56.068488417457935]
本稿では,Vec2vecという新しい局所非線形手法を提案する。
ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。
8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減法よりも優れていることが示された。
論文 参考訳(メタデータ) (2021-03-10T23:10:47Z) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳(メタデータ) (2020-12-29T04:08:38Z) - Biclustering and Boolean Matrix Factorization in Data Streams [12.005731086591139]
データストリームにおける二部グラフのクラスタリングとブール行列の分解について検討する。
ストリームを渡った後、サブ線形空間を用いてグラフの右側のクラスタの集合を復元するアルゴリズムを提案する。
合成データと実世界のデータに対するアルゴリズムの実装を評価する。
論文 参考訳(メタデータ) (2020-12-05T23:02:43Z) - Feature Whitening via Gradient Transformation for Improved Convergence [3.5579740292581]
機能白化の複雑さの欠点に対処する。
サンプル変換を重み勾配への変換によって置き換える等価な手法をBサンプルの各バッチに適用する。
CIFAR と Imagenet データセットで実証された画像分類のためのResNet ベースのネットワークを用いて提案アルゴリズムを例示する。
論文 参考訳(メタデータ) (2020-10-04T11:30:20Z) - Gradient Free Minimax Optimization: Variance Reduction and Faster
Convergence [120.9336529957224]
本稿では、勾配のないミニマックス最適化問題の大きさを非強設定で表現する。
本稿では,新しいゼロ階分散還元降下アルゴリズムが,クエリの複雑さを最もよく表すことを示す。
論文 参考訳(メタデータ) (2020-06-16T17:55:46Z)
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。