論文の概要: NoisyCUR: An algorithm for two-cost budgeted matrix completion
- arxiv url: http://arxiv.org/abs/2104.08026v1
- Date: Fri, 16 Apr 2021 10:39:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 14:09:24.828542
- Title: NoisyCUR: An algorithm for two-cost budgeted matrix completion
- Title(参考訳): noisecur:2コスト予算行列完全化のためのアルゴリズム
- Authors: Dong Hu, Alex Gittens, and Malik Magdon-Ismail
- Abstract要約: matrix completionは、機械学習とデータ分析のユビキタスなツールだ。
この設定のための回帰ベースの補完アルゴリズムを紹介します。
我々は,合成データと実データの両方における手法の性能を実験的に検証した。
- 参考スコア(独自算出の注目度): 13.094997642327371
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Matrix completion is a ubiquitous tool in machine learning and data analysis.
Most work in this area has focused on the number of observations necessary to
obtain an accurate low-rank approximation. In practice, however, the cost of
observations is an important limiting factor, and experimentalists may have on
hand multiple modes of observation with differing noise-vs-cost trade-offs.
This paper considers matrix completion subject to such constraints: a budget is
imposed and the experimentalist's goal is to allocate this budget between two
sampling modalities in order to recover an accurate low-rank approximation.
Specifically, we consider that it is possible to obtain low noise, high cost
observations of individual entries or high noise, low cost observations of
entire columns. We introduce a regression-based completion algorithm for this
setting and experimentally verify the performance of our approach on both
synthetic and real data sets. When the budget is low, our algorithm outperforms
standard completion algorithms. When the budget is high, our algorithm has
comparable error to standard nuclear norm completion algorithms and requires
much less computational effort.
- Abstract(参考訳): matrix completionは、機械学習とデータ分析のユビキタスなツールだ。
この領域のほとんどの研究は、正確な低位近似を得るために必要な観測数に焦点を当てている。
しかし実際には、観測のコストは重要な制限要因であり、実験者はノイズvsコストのトレードオフが異なる複数の観測モードを持つことができる。
本論文は, 行列完了の制約を考慮し, 予算を課し, 実験者の目標は, 正確な低ランク近似を再現するために, この予算を2つのサンプリングモダリティに割り当てることである。
具体的には,低騒音,個別エントリの高コスト観測,高ノイズ観測,柱全体の低コスト観測が可能であることを考察する。
この設定のための回帰ベースの補完アルゴリズムを導入し、合成データと実データの両方に対するアプローチの性能を実験的に検証する。
予算が低ければ、我々のアルゴリズムは標準完了アルゴリズムより優れている。
予算が高ければ、我々のアルゴリズムは標準核ノルム補完アルゴリズムに匹敵する誤差を持ち、計算労力をはるかに少なくする。
関連論文リスト
- High-dimensional Contextual Bandit Problem without Sparsity [8.782204980889077]
本稿では,この問題に対処し,その性能を検証するための探索列コミット(EtC)アルゴリズムを提案する。
我々は、ETCアルゴリズムの最適レートを$T$で導出し、探索とエクスプロイトのバランスをとることで、このレートを実現できることを示す。
本稿では,最適バランスを適応的に求める適応探索定理 (AEtC) アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-06-19T15:29:32Z) - Noise Stability Optimization for Flat Minima with Tight Rates [18.009376840944284]
一般化特性は学習アルゴリズムの設計と解析の中心的な側面である。
多くの先行研究において、良い一般化につながると考えられてきた概念は、平らなミニマである。
論文 参考訳(メタデータ) (2023-06-14T14:58:36Z) - Fast Optimal Locally Private Mean Estimation via Random Projections [58.603579803010796]
ユークリッド球における高次元ベクトルの局所的プライベート平均推定の問題について検討する。
プライベート平均推定のための新しいアルゴリズムフレームワークであるProjUnitを提案する。
各ランダム化器はその入力をランダムな低次元部分空間に投影し、結果を正規化し、最適なアルゴリズムを実行する。
論文 参考訳(メタデータ) (2023-06-07T14:07:35Z) - Improved Convergence of Score-Based Diffusion Models via
Prediction-Correction [17.726510286383697]
スコアベース生成モデル(SGM)は、複雑なデータ分布からサンプリングする強力なツールである。
本稿では,一般的な予測器・相関器方式のバージョンを考慮し,この問題に対処する。
まず、不正確なランゲヴィン力学を用いて最終分布を推定し、次にその過程を逆転する。
論文 参考訳(メタデータ) (2023-05-23T15:29:09Z) - Optimal and Private Learning from Human Response Data [13.869502085838452]
最近、NguyenとZhangは、効率的かつ正確な新しいスペクトル推定アルゴリズムを提案した。
結果は2つの重要な方法で拡張します。
我々は、独自のマルコフ連鎖の定式化と離散ガウス機構を利用して、スペクトルアルゴリズムのプライベート拡張を開発する。
論文 参考訳(メタデータ) (2023-03-10T22:52:12Z) - Provably Efficient Reinforcement Learning via Surprise Bound [66.15308700413814]
本稿では,一般値関数近似を用いた効率の良い強化学習アルゴリズムを提案する。
本アルゴリズムは, 線形設定と疎高次元線形設定の両方に適用した場合に, 合理的な後悔境界を達成できる。
論文 参考訳(メタデータ) (2023-02-22T20:21:25Z) - Should All Proposals be Treated Equally in Object Detection? [110.27485090952385]
オブジェクト検出器の複雑さと精度のトレードオフは、リソース制約されたビジョンタスクにとって重要な問題である。
検出効率の改善には、提案の不平等な処理に向けて、パラダイムシフトが必要であると仮定されている。
これにより、利用可能な計算予算がより有効になり、同じFLOPSの精度が向上する。
論文 参考訳(メタデータ) (2022-07-07T18:26:32Z) - Stochastic Hard Thresholding Algorithms for AUC Maximization [49.00683387735522]
分散分類におけるAUCのためのハードしきい値決定アルゴリズムを開発した。
提案アルゴリズムの有効性と有効性を示す実験を行った。
論文 参考訳(メタデータ) (2020-11-04T16:49:29Z) - Single-Timescale Stochastic Nonconvex-Concave Optimization for Smooth
Nonlinear TD Learning [145.54544979467872]
本稿では,各ステップごとに1つのデータポイントしか必要としない2つの単一スケールシングルループアルゴリズムを提案する。
本研究の結果は, 同時一次および二重側収束の形で表される。
論文 参考訳(メタデータ) (2020-08-23T20:36:49Z) - Robust Mean Estimation in High Dimensions via $\ell_0$ Minimization [21.65637588606572]
本研究では,高次元におけるロバスト平均推定問題について検討し,データポイントの0.5ドル分を任意に破壊することができることを示した。
圧縮センシングによってモチベーションを得た結果、ロバスト平均推定問題を$ell_p$$(0p1)$の最小化として定式化する。
合成データ実験と実データ実験の両方で、提案アルゴリズムは最先端のロバストな平均推定法を大幅に上回っていることが示された。
論文 参考訳(メタデータ) (2020-08-21T00:19:48Z) - Exploiting Higher Order Smoothness in Derivative-free Optimization and
Continuous Bandits [99.70167985955352]
強凸関数のゼロ次最適化問題について検討する。
予測勾配降下アルゴリズムのランダム化近似を考察する。
その結果,0次アルゴリズムはサンプルの複雑性や問題パラメータの点でほぼ最適であることが示唆された。
論文 参考訳(メタデータ) (2020-06-14T10:42:23Z)
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。