論文の概要: Projection-based QLP Algorithm for Efficiently Computing Low-Rank Approximation of Matrices

• arxiv url: http://arxiv.org/abs/2103.07245v1
• Date: Fri, 12 Mar 2021 12:53:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 18:36:24.627394
• Title: Projection-based QLP Algorithm for Efficiently Computing Low-Rank Approximation of Matrices
• Title（参考訳）: 行列の低ランク近似を効率的に計算するための投影型QLPアルゴリズム
• Authors: Maboud F. Kaloorazi and Jie Chen
• Abstract要約: 投影型部分QLP(PbP-QLP)は、p-QLPを精度良く効率的に近似する新しいアルゴリズムである。 pbp-qlpは、競合するランダムアルゴリズムよりも、現代のコンピュータアーキテクチャを利用することができる。
• 参考スコア（独自算出の注目度）: 6.952039070065292
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Matrices with low numerical rank are omnipresent in many signal processing and data analysis applications. The pivoted QLP (p-QLP) algorithm constructs a highly accurate approximation to an input low-rank matrix. However, it is computationally prohibitive for large matrices. In this paper, we introduce a new algorithm termed Projection-based Partial QLP (PbP-QLP) that efficiently approximates the p-QLP with high accuracy. Fundamental in our work is the exploitation of randomization and in contrast to the p-QLP, PbP-QLP does not use the pivoting strategy. As such, PbP-QLP can harness modern computer architectures, even better than competing randomized algorithms. The efficiency and effectiveness of our proposed PbP-QLP algorithm are investigated through various classes of synthetic and real-world data matrices.
• Abstract（参考訳）: 数値階級の低い行列は、多くの信号処理やデータ解析の応用において一様である。 ピボットQLP (p-QLP) アルゴリズムは入力された低ランク行列に対する高精度な近似を構築する。 しかし、大きな行列に対しては計算的に禁止される。 本稿では,プロジェクションベース部分QLP(PbP-QLP)と呼ばれる新しいアルゴリズムを導入し,p-QLPを高精度に近似する。 我々の研究の基本はランダム化の活用であり、p-QLPとは対照的に、PbP-QLPはピボット戦略を使わない。 したがって、pbp-qlpは、競合するランダム化アルゴリズムよりも、現代のコンピュータアーキテクチャを活用できる。 提案するPbP-QLPアルゴリズムの有効性を,合成および実世界のデータ行列の様々なクラスを用いて検討した。

関連論文リスト

• Data Classification With Multiprocessing [6.513930657238705]
  Pythonのマルチプロセッシングは、異なる分類アルゴリズムでこの仮説をテストするために使われる。 我々は、アンサンブルは精度を向上し、マルチプロセッシングは選択したアルゴリズムの実行時間を短縮する、と結論付けた。
  論文  参考訳（メタデータ） (2023-12-23T03:42:13Z)
• Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement Learning [53.445068584013896]
  低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。 低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。 簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
  論文  参考訳（メタデータ） (2023-10-10T17:06:41Z)
• Fast Projection onto the Capped Simplex withApplications to Sparse Regression in Bioinformatics [6.6371396313325075]
  ニュートン法に基づく単純なアルゴリズムは、射影問題を高精度に解くことができる。 提案アルゴリズムは,大規模データセット上で高い精度で予測問題の解を導出できることを実証する。
  論文  参考訳（メタデータ） (2021-10-16T05:03:24Z)
• 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)
• Parallel Stochastic Mirror Descent for MDPs [72.75921150912556]
  無限水平マルコフ決定過程(MDP)における最適政策学習の問題を考える。 リプシッツ連続関数を用いた凸プログラミング問題に対してミラー・ディクセントの変種が提案されている。 このアルゴリズムを一般の場合において解析し,提案手法の動作中に誤差を蓄積しない収束率の推定値を得る。
  論文  参考訳（メタデータ） (2021-02-27T19:28:39Z)
• Online Model Selection for Reinforcement Learning with Function Approximation [50.008542459050155]
  我々は、$tildeO(L5/6 T2/3)$ regretで最適な複雑性に適応するメタアルゴリズムを提案する。 また、メタアルゴリズムは、インスタンス依存の後悔境界を著しく改善することを示す。
  論文  参考訳（メタデータ） (2020-11-19T10:00:54Z)
• Adaptive Sampling for Best Policy Identification in Markov Decision Processes [79.4957965474334]
  本稿では,学習者が生成モデルにアクセスできる場合の,割引マルコフ決定(MDP)における最良の政治的識別の問題について検討する。 最先端アルゴリズムの利点を論じ、解説する。
  論文  参考訳（メタデータ） (2020-09-28T15:22:24Z)
• White-box Induction From SVM Models: Explainable AI with Logic Programming [6.396288020763143]
  本稿では,サポートベクタマシン(SVM)アルゴリズムで学習したモデルを説明するロジックプログラムの導入に着目する。 我々は、説明可能なAIの例固有のインタプリタであるSHAPを使用して、関連する機能のセットを決定する。 このアプローチは、SVMモデルの基盤となるロジックを捕捉し、FOILアルゴリズムである%GGを上回るアルゴリズムを生成する。
  論文  参考訳（メタデータ） (2020-08-09T23:07:14Z)
• A PDD Decoder for Binary Linear Codes With Neural Check Polytope Projection [43.97522161614078]
  基本ポリトープに基づく最大可算(ML)復号問題に対処するPDDアルゴリズムを提案する。 また、PDD復号アルゴリズムの最も時間を要する部分に機械学習技術を統合することを提案する。 本稿では、デコード遅延を低減するために特別に設計されたニューラルCPP(N CPP)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-11T07:57:15Z)
• Determinantal Point Processes in Randomized Numerical Linear Algebra [80.27102478796613]
  数値線形代数(RandNLA)は、科学計算、データサイエンス、機械学習などで発生する行列問題に対する改良されたアルゴリズムを開発するためにランダム性を使用する。 最近の研究により、DPPとRandNLAの間の深い実りある関係が明らかになり、新たな保証とアルゴリズムの改善につながった。
  論文  参考訳（メタデータ） (2020-05-07T00:39:52Z)

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。