論文の概要: Double-matched matrix decomposition for multi-view data
- arxiv url: http://arxiv.org/abs/2105.03396v1
- Date: Fri, 7 May 2021 17:09:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-10 13:12:34.699829
- Title: Double-matched matrix decomposition for multi-view data
- Title（参考訳）: 多視点データに対する二重整合行列分解
- Authors: Dongbang Yuan and Irina Gaynanova
- Abstract要約: 一致したサンプルから異なるソースから収集されたデータである多視点データから,関節信号と個別信号の抽出の問題を考える。
提案する二重整合行列分解は, 被験者間の結合信号と個別信号の同時抽出を可能にする。
本手法をイングランド・プレミアリーグのサッカーの試合のデータに適用し、ドメイン固有の知識に合わせた共同および個別のマルチビュー信号を見つける。
- 参考スコア（独自算出の注目度）: 0.6091702876917281
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We consider the problem of extracting joint and individual signals from
multi-view data, that is data collected from different sources on matched
samples. While existing methods for multi-view data decomposition explore
single matching of data by samples, we focus on double-matched multi-view data
(matched by both samples and source features). Our motivating example is the
miRNA data collected from both primary tumor and normal tissues of the same
subjects; the measurements from two tissues are thus matched both by subjects
and by miRNAs. Our proposed double-matched matrix decomposition allows to
simultaneously extract joint and individual signals across subjects, as well as
joint and individual signals across miRNAs. Our estimation approach takes
advantage of double-matching by formulating a new type of optimization problem
with explicit row space and column space constraints, for which we develop an
efficient iterative algorithm. Numerical studies indicate that taking advantage
of double-matching leads to superior signal estimation performance compared to
existing multi-view data decomposition based on single-matching. We apply our
method to miRNA data as well as data from the English Premier League soccer
matches, and find joint and individual multi-view signals that align with
domain specific knowledge.
- Abstract（参考訳）: 一致したサンプルから異なるソースから収集されたデータである多視点データから,関節信号と個別信号の抽出の問題を考える。
既存のマルチビューデータ分解手法では,サンプルによるデータの単一マッチングを探索するが,サンプルとソースの特徴が一致した二重マッチング型マルチビューデータに注目する。
我々のモチベーションの例は、同じ被験者の原発性腫瘍と正常組織の両方から採取されたmiRNAデータであり、2つの組織からの測定は被検体とmiRNAの両方で一致している。
提案する二重整合行列分解により,被検者間のジョイント信号と個別信号と,mirna間のジョイント信号と個別信号を同時に抽出することができる。
提案手法は,明示的な行空間と列空間制約を持つ新しいタイプの最適化問題を定式化し,効率的な反復アルゴリズムを構築することにより,ダブルマッチングの利点を生かした。
数値解析により, 単一マッチングに基づく既存のマルチビューデータ分解よりも, 信号推定性能が優れていることが示された。
本手法は,イギリス・プレミアリーグのサッカーの試合データだけでなく,miRNAデータにも適用し,ドメイン固有の知識と一致した共同および個別のマルチビュー信号を求める。
関連論文リスト
- A Framework for Fine-Tuning LLMs using Heterogeneous Feedback [69.51729152929413]
ヘテロジニアスフィードバックを用いた大規模言語モデル(LLM)の微調整フレームワークを提案する。
まず、不均一なフィードバックデータをSFTやRLHFなどの手法と互換性のある単一の監視形式にまとめる。
次に、この統合されたフィードバックデータセットから、性能向上を得るために高品質で多様なサブセットを抽出する。
論文 参考訳（メタデータ） (2024-08-05T23:20:32Z) - Empirical Bayes Linked Matrix Decomposition [0.0]
この問題に対する経験的変分ベイズ的アプローチを提案する。
単一行列文脈において新規な反復的計算手法について述べる。
提案手法は,下層の低ランク信号の回復に関して,異なるシナリオ下で非常によく機能することを示す。
論文 参考訳（メタデータ） (2024-08-01T02:13:11Z) - Propensity Score Alignment of Unpaired Multimodal Data [3.8373578956681555]
マルチモーダル表現学習技術は通常、共通の表現を学ぶためにペア化されたサンプルに依存する。
本稿では,マルチモーダル表現学習において,異なるモダリティにまたがるアンペア化サンプルの整列化という課題に対処するアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-02T02:36:21Z) - Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳（メタデータ） (2023-09-25T12:31:18Z) - Approximating Counterfactual Bounds while Fusing Observational, Biased
and Randomised Data Sources [64.96984404868411]
我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。
利用可能なデータの可能性は局所的な最大値を持たないことを示す。
次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
論文 参考訳（メタデータ） (2023-07-31T11:28:24Z) - Align and Attend: Multimodal Summarization with Dual Contrastive Losses [57.83012574678091]
マルチモーダル要約の目標は、異なるモーダルから最も重要な情報を抽出し、出力要約を形成することである。
既存の手法では、異なるモダリティ間の時間的対応の活用に失敗し、異なるサンプル間の本質的な相関を無視する。
A2Summ(Align and Attend Multimodal Summarization)は、マルチモーダル入力を効果的に整列し、参加できる統一型マルチモーダルトランスフォーマーモデルである。
論文 参考訳（メタデータ） (2023-03-13T17:01:42Z) - Linking data separation, visual separation, and classifier performance
using pseudo-labeling by contrastive learning [125.99533416395765]
最終分類器の性能は、潜在空間に存在するデータ分離と、射影に存在する視覚的分離に依存すると論じる。
本研究は,ヒト腸管寄生虫の5つの現実的課題の画像データセットを1%の教師付きサンプルで分類し,その結果を実証する。
論文 参考訳（メタデータ） (2023-02-06T10:01:38Z) - Data thinning for convolution-closed distributions [2.299914829977005]
本稿では,観測を2つ以上の独立した部分に分割する手法であるデータ薄型化を提案する。
教師なし学習手法の結果の検証には,データの薄化が有効であることを示す。
論文 参考訳（メタデータ） (2023-01-18T02:47:41Z) - Unsupervised Manifold Alignment with Joint Multidimensional Scaling [4.683612295430957]
2つの異なる領域からのデータセットを共通の低次元ユークリッド空間にマッピングする関節多次元スケーリングを導入する。
本稿では,多次元スケーリング(MDS)とワッサーシュタイン・プロクリスト解析を共同最適化問題に統合する。
提案手法の有効性を,2つのデータセットの同時可視化,教師なし不均一領域適応,グラフマッチング,タンパク質構造アライメントなど,いくつかのアプリケーションで実証した。
論文 参考訳（メタデータ） (2022-07-06T21:02:42Z) - AVIDA: Alternating method for Visualizing and Integrating Data [1.6637373649145604]
AVIDAはデータアライメントと次元削減を同時に行うためのフレームワークである。
AVIDAは特徴のない高次元データセットを正しく整列することを示す。
一般の応用では、アライメントおよび次元減少加群に他の方法を用いることができる。
論文 参考訳（メタデータ） (2022-05-31T22:36:10Z) - Unsupervised Domain Adaptive Learning via Synthetic Data for Person
Re-identification [101.1886788396803]
人物再識別(re-ID)は、ビデオ監視に広く応用されているため、ますます注目を集めている。
残念なことに、主流のディープラーニング手法では、モデルをトレーニングするために大量のラベル付きデータが必要です。
本稿では,コンピュータゲーム内で合成されたre-IDサンプルを自動的に生成するデータコレクタを開発し,同時にアノテートするデータラベラを構築した。
論文 参考訳（メタデータ） (2021-09-12T15:51:41Z)
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。