Fugu-MT 論文翻訳(概要): Grassmann Iterative Linear Discriminant Analysis with Proxy Matrix Optimization

論文の概要: Grassmann Iterative Linear Discriminant Analysis with Proxy Matrix Optimization

arxiv url: http://arxiv.org/abs/2104.08112v1
Date: Fri, 16 Apr 2021 13:39:53 GMT
ステータス: 処理完了
システム内更新日: 2021-04-19 20:33:27.357162
Title: Grassmann Iterative Linear Discriminant Analysis with Proxy Matrix Optimization
Title（参考訳）: プロキシ行列最適化によるグラスマン反復線形判別分析
Authors: Navya Nagananda, Breton Minnehan, Andreas Savakis
Abstract要約: 線形識別分析(LDA)は、パターン認識と統計の次元的低減に一般的に用いられる。 Proxy Matrix Optimization (PMO) に基づくGrassmann Iterative LDA法(GILDA)を提案する。
参考スコア（独自算出の注目度）: 4.817429789586127
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Linear Discriminant Analysis (LDA) is commonly used for dimensionality reduction in pattern recognition and statistics. It is a supervised method that aims to find the most discriminant space of reduced dimension that can be further used for classification. In this work, we present a Grassmann Iterative LDA method (GILDA) that is based on Proxy Matrix Optimization (PMO). PMO makes use of automatic differentiation and stochastic gradient descent (SGD) on the Grassmann manifold to arrive at the optimal projection matrix. Our results show that GILDAoutperforms the prevailing manifold optimization method.
Abstract（参考訳）: 線形識別分析(LDA)は、パターン認識と統計の次元化に一般的に用いられる。これは、より分類に使用できる縮小次元の最も差別的な空間を見つけることを目的とした教師付き手法である。本稿では、プロキシ行列最適化(PMO)に基づくグラスマン反復LDA法(GILDA)を提案する。 PMOはグラスマン多様体上の自動微分と確率勾配勾配(SGD)を利用して最適射影行列に到達する。以上の結果からgildaoutperformsは一般的な多様体最適化法であることがわかった。

関連論文リスト

Regularized Linear Discriminant Analysis Using a Nonlinear Covariance Matrix Estimator [11.887333567383239]
線形判別分析(LDA)はデータ分類において広く用いられている手法である。 LDAは、データ共分散行列が不条件であるときに非効率になる。このような状況に対応するために正規化LDA法が提案されている。
論文参考訳（メタデータ） (2024-01-31T11:37:14Z)
Minimally Informed Linear Discriminant Analysis: training an LDA model with unlabelled data [51.673443581397954]
本研究では,LDAモデルからの正確な射影ベクトルを,ラベルのないデータに基づいて計算可能であることを示す。 MILDA投影ベクトルはLDAに匹敵する計算コストで閉じた形で計算可能であることを示す。
論文参考訳（メタデータ） (2023-10-17T09:50:31Z)
GO-LDA: Generalised Optimal Linear Discriminant Analysis [6.644357197885522]
線形判別分析はパターン認識やデータ解析の研究、実践において有用なツールである。多クラスLDAに対する一般化固有解析解は、直交判別方向を導出したり、それに沿った投影データの識別を最大化したりしないことを示す。
論文参考訳（メタデータ） (2023-05-23T23:11:05Z)
A Bi-level Nonlinear Eigenvector Algorithm for Wasserstein Discriminant Analysis [3.4806267677524896]
ワッサーシュタイン判別分析(Wasserstein discriminant analysis, WDA)は線形次元減少法である。 WDAは、データクラス間のグローバルとローカルの相互接続の両方を説明できる。 2レベル非線形固有ベクトルアルゴリズム(WDA-nepv)を示す。
論文参考訳（メタデータ） (2022-11-21T22:40:43Z)
Spectrally-Corrected and Regularized Linear Discriminant Analysis for Spiked Covariance Model [2.517838307493912]
本稿では、スペクトル補正および正規化LDA(SRLDA)と呼ばれる線形判別分析の改善を提案する。 SRLDAはスパイクモデル仮定の下で線形分類大域最適解を持つことが証明された。異なるデータセットに対する実験により、SRLDAアルゴリズムは、現在使われているツールよりも分類と次元の削減が優れていることが示された。
論文参考訳（メタデータ） (2022-10-08T00:47:50Z)
Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文参考訳（メタデータ） (2022-09-27T07:58:25Z)
Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。提案手法はRパッケージプローブに実装されている。
論文参考訳（メタデータ） (2022-09-16T19:15:50Z)
Low-Pass Filtering SGD for Recovering Flat Optima in the Deep Learning Optimization Landscape [15.362190838843915]
LPF-SGD は SGD よりも小さい一般化誤差でより良い最適点に収束することを示す。本稿では,一般的なDLトレーニング手法と比較して,アルゴリズムが優れた一般化性能を実現することを示す。
論文参考訳（メタデータ） (2022-01-20T07:13:04Z)
Weight Vector Tuning and Asymptotic Analysis of Binary Linear Classifiers [82.5915112474988]
本稿では,スカラーによる判別器の分解をパラメータ化することで,ジェネリックバイナリ線形分類器の重みベクトルチューニングを提案する。また,重みベクトルチューニングは,高推定雑音下での線形判別分析(LDA)の性能を著しく向上させることがわかった。
論文参考訳（メタデータ） (2021-10-01T17:50:46Z)
Private Stochastic Non-Convex Optimization: Adaptive Algorithms and Tighter Generalization Bounds [72.63031036770425]
有界非次元最適化のための差分プライベート(DP)アルゴリズムを提案する。標準勾配法に対する経験的優位性について,2つの一般的なディープラーニング手法を実証する。
論文参考訳（メタデータ） (2020-06-24T06:01:24Z)
Implicit differentiation of Lasso-type models for hyperparameter optimization [82.73138686390514]
ラッソ型問題に適した行列逆転のない効率的な暗黙微分アルゴリズムを提案する。提案手法は,解の空間性を利用して高次元データにスケールする。
論文参考訳（メタデータ） (2020-02-20T18:43:42Z)

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。