論文の概要: Feature Weighted Non-negative Matrix Factorization

• arxiv url: http://arxiv.org/abs/2103.13491v1
• Date: Wed, 24 Mar 2021 21:17:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-26 13:24:03.563352
• Title: Feature Weighted Non-negative Matrix Factorization
• Title（参考訳）: 特徴量非負行列因子化
• Authors: Mulin Chen, Maoguo Gong, and Xuelong Li
• Abstract要約: 本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。 提案する最適化アルゴリズムを用いて効率的に解くことができる。
• 参考スコア（独自算出の注目度）: 92.45013716097753
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Non-negative Matrix Factorization (NMF) is one of the most popular techniques for data representation and clustering, and has been widely used in machine learning and data analysis. NMF concentrates the features of each sample into a vector, and approximates it by the linear combination of basis vectors, such that the low-dimensional representations are achieved. However, in real-world applications, the features are usually with different importances. To exploit the discriminative features, some methods project the samples into the subspace with a transformation matrix, which disturbs the original feature attributes and neglects the diversity of samples. To alleviate the above problems, we propose the Feature weighted Non-negative Matrix Factorization (FNMF) in this paper. The salient properties of FNMF can be summarized as threefold: 1) it learns the weights of features adaptively according to their importances; 2) it utilizes multiple feature weighting components to preserve the diversity; 3) it can be solved efficiently with the suggested optimization algorithm. Performance on synthetic and real-world datasets demonstrate that the proposed method obtains the state-of-the-art performance.
• Abstract（参考訳）: 非負行列因子化(NMF)は、データ表現とクラスタリングの最も一般的な手法の1つであり、機械学習やデータ分析で広く使われている。 NMF は各標本の特徴をベクトルに集中させ、低次元表現が達成されるような基底ベクトルの線形結合によって近似する。 しかし、現実世界のアプリケーションでは、機能は通常異なる重要性を持つ。 識別的特徴を利用するために、いくつかのメソッドは、サンプルを変換マトリックスでサブスペースに投影し、元の特徴属性を乱し、サンプルの多様性を無視する。 上記の問題を緩和するため,本稿では特徴量非負行列因子化(FNMF)を提案する。 1) 特徴の重みを重要度に応じて適応的に学習する; 2) 多様性を保つために複数の特徴重み成分を利用する; 3) 提案する最適化アルゴリズムで効率的に解くことができる。 合成および実世界のデータセットの性能は,提案手法が最先端の性能を得ることを示す。

関連論文リスト

• Coseparable Nonnegative Tensor Factorization With T-CUR Decomposition [2.013220890731494]
  非負行列因子化(NMF)は、データから意味のある特徴を抽出する重要な教師なし学習手法である。 本研究では,コセプタブルコアを選択するための交互選択法を提案する。 その結果, 分離可能なNMFと比較して, 分離可能なNTFの有効性が示された。
  論文  参考訳（メタデータ） (2024-01-30T09:22:37Z)
• Stratified-NMF for Heterogeneous Data [8.174199227297514]
  本研究では,階層依存統計量と共有トピック行列を同時に学習する改良NMF目標であるStratified-NMFを提案する。 本手法を実世界の3つのデータセットに適用し,その特徴を実証的に検討する。
  論文  参考訳（メタデータ） (2023-11-17T00:34:41Z)
• NPEFF: Non-Negative Per-Example Fisher Factorization [52.44573961263344]
  エンド・ツー・エンドの微分可能モデルに容易に適用可能な,NPEFFと呼ばれる新しい解釈可能性手法を提案する。 我々はNPEFFが言語モデルと視覚モデルの実験を通して解釈可能なチューニングを持つことを実証した。
  論文  参考訳（メタデータ） (2023-10-07T02:02:45Z)
• Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
  行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。 我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。 UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-31T12:09:32Z)
• An Entropy Weighted Nonnegative Matrix Factorization Algorithm for Feature Representation [6.156004893556576]
  エントロピー重み付きNMF(EWNMF)と呼ばれる新しいタイプのNMFを提案する。 EWNMFは各データポイントの属性ごとに最適化可能な重みを使い、その重要性を強調する。 いくつかのデータセットによる実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-11-27T23:37:20Z)
• A deep learning driven pseudospectral PCE based FFT homogenization algorithm for complex microstructures [68.8204255655161]
  提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。 提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-26T07:02:14Z)
• Initialization for Nonnegative Matrix Factorization: a Comprehensive Review [0.0]
  非負の因子化(NMF)は、非負のデータ行列から非負の基底を抽出することで有意なデータを表現するための一般的な方法となっている。 それぞれの手法の性能を示す数値的な結果を示す。
  論文  参考訳（メタデータ） (2021-09-08T18:49:41Z)
• Co-Separable Nonnegative Matrix Factorization [20.550794776914508]
  非負行列分解(NMF)はパターン認識の分野で人気があるモデルである。 我々はこのNMFをCoS-NMF(CoS-NMF)と呼ぶ。 CoS-NMFの最適化モデルを提案し,その解法に置換高速勾配法を適用した。
  論文  参考訳（メタデータ） (2021-09-02T07:05:04Z)
• Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
  シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。 より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。 SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
  論文  参考訳（メタデータ） (2021-03-02T12:47:40Z)
• Invariant Feature Coding using Tensor Product Representation [75.62232699377877]
  我々は,群不変特徴ベクトルが線形分類器を学習する際に十分な識別情報を含んでいることを証明した。 主成分分析やk平均クラスタリングにおいて,グループアクションを明示的に考慮する新たな特徴モデルを提案する。
  論文  参考訳（メタデータ） (2019-06-05T07:15:17Z)

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。