論文の概要: Deep Two-way Matrix Reordering for Relational Data Analysis

• arxiv url: http://arxiv.org/abs/2103.14203v1
• Date: Fri, 26 Mar 2021 01:31:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 12:55:55.302903
• Title: Deep Two-way Matrix Reordering for Relational Data Analysis
• Title（参考訳）: 関係データ解析のための深い双方向行列再順序付け
• Authors: Chihiro Watanabe, Taiji Suzuki
• Abstract要約: 行列の並べ替えは、与えられた行列の行と列をパーミュレートするタスクである。 本稿ではニューラルネットモデルを用いた新しい行列並べ替え手法Deep Two-way Matrix Reordering (DeepTMR)を提案する。 合成データセットと実用データセットの両方に適用することで,提案されたDeepTMRの有効性を実証する。
• 参考スコア（独自算出の注目度）: 41.60125423028092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Matrix reordering is a task to permute rows and columns of a given observed matrix so that the resulting reordered matrix shows some meaningful or interpretable structural patterns. Most of the existing matrix reordering techniques share a common process of extracting some feature representation from an observed matrix in some pre-defined way, and applying matrix reordering based on it. However, in some practical cases, we would not always have a prior knowledge about the structural pattern that an observed matrix has. In this paper, to address this problem, we propose a new matrix reordering method, Deep Two-way Matrix Reordering (DeepTMR), using a neural network model. The trained network can automatically extract nonlinear row/column features from an observed matrix, which can be used for matrix reordering. Moreover, and proposed DeepTMR provides us with the denoised mean matrix of a given observed matrix as an output of the trained network. Such a denoised mean matrix can be used for visualizing the global structure of the reordered observed matrix. We demonstrate the effectiveness of proposed DeepTMR by applying it to both synthetic and practical data sets.
• Abstract（参考訳）: 行列再順序付け(Matrix reordering)は、与えられた行列の行と列をパーミュレートし、結果として得られる行列が意味のある、あるいは解釈可能な構造パターンを示すようにするタスクである。 既存の行列再順序付け手法の多くは、事前に定義された方法で観測された行列から特徴表現を抽出し、それに基づいて行列再順序付けを適用する共通のプロセスを共有している。 しかし、いくつかの実例では、観測された行列が持つ構造パターンについて常に事前の知識を持つとは限らない。 本稿では,ニューラルネットワークモデルを用いた新しい行列再順序付け法であるdeep twoway matrix reordering (deep tmr)を提案する。 トレーニングされたネットワークは、行列の並べ替えに使用できる観測行列から非線形行/カラム特徴を自動的に抽出することができる。 さらに, 提案するdeeptmrは, 与えられた観測行列の平均行列を, トレーニングされたネットワークの出力として提供する。 このような分極平均行列は、順序付けされた観測行列のグローバル構造を可視化するために用いられる。 本稿では,合成データセットと実用データセットの両方に適用することで,DeepTMRの有効性を示す。

関連論文リスト

• Efficient Adaptation of Pre-trained Vision Transformer via Householder Transformation [53.88562288388169]
  一般的な戦略である。 事前訓練された視覚変換器(ViT)のPEFT(Efficient Fine-Tuning)は、下流タスクにモデルを適応させる。 適応行列を表現するために,Singular Value Decomposition (SVD) にインスパイアされた新しいPEFT手法を提案する。 SVDは行列を左ユニタリ行列、スケーリング値の対角行列、右ユニタリ行列の積に分解する。
  論文  参考訳（メタデータ） (2024-10-30T12:08:30Z)
• One-sided Matrix Completion from Two Observations Per Row [95.87811229292056]
  行列の欠落値を$XTX$で計算する自然アルゴリズムを提案する。 合成データの一方の回収と低被覆ゲノムシークエンシングについて,本アルゴリズムの評価を行った。
  論文  参考訳（メタデータ） (2023-06-06T22:35:16Z)
• 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)
• Matrix Decomposition Perspective for Accuracy Assessment of Item Response Theory [0.0]
  本稿では,再構成された応答行列の性能に着目した。 その結果, 応答行列が完全行列である場合, 特異値分解法と行列分解法の性能はほぼ同じであることが判明した。
  論文  参考訳（メタデータ） (2022-03-07T03:17:41Z)
• Quantum algorithms for matrix operations and linear systems of equations [65.62256987706128]
  本稿では,「Sender-Receiver」モデルを用いた行列演算のための量子アルゴリズムを提案する。 これらの量子プロトコルは、他の量子スキームのサブルーチンとして使用できる。
  論文  参考訳（メタデータ） (2022-02-10T08:12:20Z)
• A Deep Generative Model for Matrix Reordering [26.86727566323601]
  グラフの様々な行列の並べ替えの潜在空間を学習する生成モデルを開発する。 学習した潜在空間から直感的なユーザインタフェースを構築し、様々な行列の並べ替えのマップを作成する。 本稿では,グラフの行列再順序生成を機械学習モデルで学習する,グラフの行列可視化に対する基本的新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-11T02:55:24Z)
• AutoLL: Automatic Linear Layout of Graphs based on Deep Neural Network [41.60125423028092]
  本稿では, AutoLL と呼ばれる新しい一モード線形レイアウト手法を提案する。 我々は、指向性および非指向性ネットワークを並べ替えるための2種類のニューラルネットワークモデルであるAutoLL-DとAutoLL-Uを開発した。
  論文  参考訳（メタデータ） (2021-08-05T08:04:15Z)
• Meta-learning for Matrix Factorization without Shared Rows or Columns [39.56814839510978]
  提案手法は,行列を入力とするニューラルネットワークを用いて,行列の分解行列の事前分布を生成する。 ニューラルネットワークは、期待される計算誤差を最小限に抑えるようにメタ学習される。 3つのユーザ・イテム評価データセットを用いた実験により,提案手法は未知の行列における限られた数の観測結果から,欠落した値をインプットできることを示した。
  論文  参考訳（メタデータ） (2021-06-29T07:40:20Z)
• Non-PSD Matrix Sketching with Applications to Regression and Optimization [56.730993511802865]
  非PSDおよび2乗根行列の次元削減法を提案する。 複数のダウンストリームタスクにこれらのテクニックをどのように使用できるかを示す。
  論文  参考訳（メタデータ） (2021-06-16T04:07:48Z)
• Deep Learning Approach for Matrix Completion Using Manifold Learning [3.04585143845864]
  本論文では,線形モデルと非線形モデルを組み合わせたデータ行列の新しい潜在変数モデルを提案する。 データマトリクスのエントリ間の線形および非線形関係の両方に対処するために、新しいディープニューラルネットワークベースの行列補完アルゴリズムを設計します。
  論文  参考訳（メタデータ） (2020-12-11T01:01:54Z)

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。