Fugu-MT 論文翻訳(概要): Adversarially-Trained Nonnegative Matrix Factorization

論文の概要: Adversarially-Trained Nonnegative Matrix Factorization

arxiv url: http://arxiv.org/abs/2104.04757v1
Date: Sat, 10 Apr 2021 13:13:17 GMT
ステータス: 処理完了
システム内更新日: 2021-04-16 04:24:36.011513
Title: Adversarially-Trained Nonnegative Matrix Factorization
Title（参考訳）: 逆向きな非負行列因子化
Authors: Ting Cai, Vincent Y. F. Tan, C\'edric F\'evotte
Abstract要約: 非負行列ファクタリゼーションの逆学習版を検討する。我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。辞書と係数行列を最適化するために, 逆学習に触発された効率的なアルゴリズムを設計する。
参考スコア（独自算出の注目度）: 77.34726150561087
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We consider an adversarially-trained version of the nonnegative matrix factorization, a popular latent dimensionality reduction technique. In our formulation, an attacker adds an arbitrary matrix of bounded norm to the given data matrix. We design efficient algorithms inspired by adversarial training to optimize for dictionary and coefficient matrices with enhanced generalization abilities. Extensive simulations on synthetic and benchmark datasets demonstrate the superior predictive performance on matrix completion tasks of our proposed method compared to state-of-the-art competitors, including other variants of adversarial nonnegative matrix factorization.
Abstract（参考訳）: 本稿では,非負行列分解の逆学習版を考える。我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。我々は,辞書や係数行列を最適化し,一般化能力を高めた効率的なアルゴリズムを設計する。合成およびベンチマークデータセットの広範囲なシミュレーションにより,提案手法の行列完了タスクにおける予測性能は,逆行列係数の他の変種を含む最先端の競合よりも優れていた。

関連論文リスト

Guarantees of a Preconditioned Subgradient Algorithm for Overparameterized Asymmetric Low-rank Matrix Recovery [8.722715843502321]
本研究では, 行列分解に基づくロバストな低ランクおよび非対称な行列復元手法に着目した。本稿では,探索行列の条件数に依存しない事前条件付きアルゴリズムの利点を継承する段階的アルゴリズムを提案する。
論文参考訳（メタデータ） (2024-10-22T08:58:44Z)
Continuous Semi-Supervised Nonnegative Matrix Factorization [8.303018940526417]
非負行列分解は、教師なしの方法でコーパス内のトピックを自動的に検出するために用いられる。この因子化を連続応答変数の回帰と組み合わせることができることを示す。
論文参考訳（メタデータ） (2022-12-19T21:07:27Z)
A Generalized Latent Factor Model Approach to Mixed-data Matrix Completion with Entrywise Consistency [3.299672391663527]
マトリックスコンプリート(Matrix completion)は、部分的に観察された行列における欠落したエントリの予測に関する機械学習手法のクラスである。非線型因子モデルの一般族の下での低ランク行列推定問題として定式化する。低ランク行列を推定するためのエントリーワイドな一貫した推定器を提案する。
論文参考訳（メタデータ） (2022-11-17T00:24:47Z)
A Novel Maximum-Entropy-Driven Technique for Low-Rank Orthogonal Nonnegative Matrix Factorization with $\ell_0$-Norm sparsity Constraint [0.0]
データ駆動制御と機械学習では、大きな行列を小さく、低ランクな要素に分解する、という一般的な要件がある。本稿では,直交非負行列分解(ONMF)問題に対する革新的な解を提案する。提案手法は,文献と同等あるいは改善された復元誤差を実現する。
論文参考訳（メタデータ） (2022-10-06T04:30:59Z)
Variance Reduction for Matrix Computations with Applications to Gaussian Processes [0.0]
本稿では,行列分解による行列計算の分散化に着目する。行列の平方根因数分解の計算は、いくつかの重要な場合において、任意により良い性能が得られることを示す。
論文参考訳（メタデータ） (2021-06-28T10:41:22Z)
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)
Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
論文参考訳（メタデータ） (2020-08-31T12:28:40Z)
A Scalable, Adaptive and Sound Nonconvex Regularizer for Low-rank Matrix Completion [60.52730146391456]
そこで我々は,適応的かつ音質の高い"核フロベニウスノルム"と呼ばれる新しい非スケーラブルな低ランク正規化器を提案する。特異値の計算をバイパスし、アルゴリズムによる高速な最適化を可能にする。既存の行列学習手法では最速でありながら、最先端の回復性能が得られる。
論文参考訳（メタデータ） (2020-08-14T18:47:58Z)
Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。暗黙正則化現象の理論的保証を提供する。
論文参考訳（メタデータ） (2020-07-16T13:27:47Z)
Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。