Fugu-MT 論文翻訳(概要): A Coupled Random Projection Approach to Large-Scale Canonical Polyadic Decomposition

論文の概要: A Coupled Random Projection Approach to Large-Scale Canonical Polyadic Decomposition

arxiv url: http://arxiv.org/abs/2105.04084v1
Date: Mon, 10 May 2021 03:00:50 GMT
ステータス: 処理完了
システム内更新日: 2021-05-12 01:33:12.731641
Title: A Coupled Random Projection Approach to Large-Scale Canonical Polyadic Decomposition
Title（参考訳）: 大規模正準多進分解に対する結合ランダム射影法
Authors: Lu-Ming Wang, Ya-Nan Wang, Xiao-Feng Gong, Qiu-Hua Lin, Fei Xiang
Abstract要約: 大規模テンソルの正準多進分解(CPD)計算のための新しいアルゴリズムを提案する。提案アルゴリズムは乱射影法(RAP)を一般化し,大規模分解の計算によく用いられる。
参考スコア（独自算出の注目度）: 11.325830583924803
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a novel algorithm for the computation of canonical polyadic decomposition (CPD) of large-scale tensors. The proposed algorithm generalizes the random projection (RAP) technique, which is often used to compute large-scale decompositions, from one single projection to multiple but coupled random projections (CoRAP). The proposed CoRAP technique yields a set of tensors that together admits a coupled CPD (C-CPD) and a C-CPD algorithm is then used to jointly decompose these tensors. The results of C-CPD are finally fused to obtain factor matrices of the original large-scale data tensor. As more data samples are jointly exploited via C-CPD, the proposed CoRAP based CPD is more accurate than RAP based CPD. Experiments are provided to illustrate the performance of the proposed approach.
Abstract（参考訳）: 大規模テンソルの正準多進分解(CPD)計算のための新しいアルゴリズムを提案する。提案アルゴリズムは、1つの単射から複数の結合したランダム射影(CoRAP)までの大規模な分解を計算するためにしばしば使用されるランダム射影(RAP)手法を一般化する。提案したCoRAP法は、結合CPD(C-CPD)とC-CPDアルゴリズムを併用してこれらのテンソルを共同分解するテンソルの集合を生成する。 C-CPDの結果は最終的に融合され、元の大規模データテンソルの係数行列が得られる。 C-CPDを介してより多くのデータサンプルを併用するので、提案したCoRAPベースのPDはRAPベースのPDよりも正確である。提案手法の性能を示す実験が提供されている。

関連論文リスト

Differentially Private Optimization with Sparse Gradients [60.853074897282625]
微分プライベート(DP)最適化問題を個人勾配の空間性の下で検討する。これに基づいて、スパース勾配の凸最適化にほぼ最適な速度で純粋および近似DPアルゴリズムを得る。
論文参考訳（メタデータ） (2024-04-16T20:01:10Z)
Deep-Learning-Aided Alternating Least Squares for Tensor CP Decomposition and Its Application to Massive MIMO Channel Estimation [39.04007621459279]
高精度かつ低レイテンシなチャネル推定を実現するために、良質かつ高速なCP分解アルゴリズムが望まれる。 CP最小二乗 (CPalS) は、CP分解を計算するためのワークホースアルゴリズムである。本稿では,アルゴリズムの高速化と精度向上のために,ディープラーニング支援型CPALS (DL-CPALS) 手法を提案する。
論文参考訳（メタデータ） (2023-05-23T11:17:13Z)
Fast Learnings of Coupled Nonnegative Tensor Decomposition Using Optimal Gradient and Low-rank Approximation [7.265645216663691]
交互勾配法(CoNCPD-APG)により最適化された新しい非負のCANDECOMP/PARAFAC分解アルゴリズムを提案する。提案手法は,低ランク近似をCONCPD-APG法と組み合わせることで,分解品質を損なうことなく計算負担を大幅に削減することができる。
論文参考訳（メタデータ） (2023-02-10T08:49:36Z)
An approach to robust ICP initialization [77.45039118761837]
本稿では,厳密な変換に伴う乱れのない点群に対応するために,ICPアルゴリズムを初期化する手法を提案する。我々はノイズに対する我々のアプローチの頑健さに限界を導出し、数値実験により我々の理論的な知見を裏付ける。
論文参考訳（メタデータ） (2022-12-10T16:27:25Z)
Posterior and Computational Uncertainty in Gaussian Processes [52.26904059556759]
ガウスのプロセスはデータセットのサイズとともに違法にスケールする。多くの近似法が開発されており、必然的に近似誤差を導入している。この余分な不確実性の原因は、計算が限られているため、近似後部を使用すると完全に無視される。本研究では,観測された有限個のデータと有限個の計算量の両方から生じる組合せ不確実性を一貫した推定を行う手法の開発を行う。
論文参考訳（メタデータ） (2022-05-30T22:16:25Z)
Faster One-Sample Stochastic Conditional Gradient Method for Composite Convex Minimization [61.26619639722804]
滑らかで非滑らかな項の和として形成される凸有限サム目標を最小化するための条件勾配法(CGM)を提案する。提案手法は, 平均勾配 (SAG) 推定器を備え, 1回に1回のサンプルしか必要としないが, より高度な分散低減技術と同等の高速収束速度を保証できる。
論文参考訳（メタデータ） (2022-02-26T19:10:48Z)
Tensor Principal Component Analysis in High Dimensional CP Models [3.553493344868413]
軽度不整合条件下での理論的保証を考慮したテンソルCP分解のための新しいアルゴリズムを提案する。複合PCAは、主成分又は特異値分解を2回施し、まずテンソルデータの展開行列に施して特異ベクトルを得る。提案手法は, 既存の手法に比べて, 提案手法の実用的優位性を示すものである。
論文参考訳（メタデータ） (2021-08-10T03:24:32Z)
Determinantal consensus clustering [77.34726150561087]
本稿では,クラスタリングアルゴリズムのランダム再起動における決定点プロセス (DPP) の利用を提案する。 DPPは部分集合内の中心点の多様性を好んでいる。 DPPとは対照的に、この手法は多様性の確保と、すべてのデータフェースについて良好なカバレッジを得るために失敗することを示す。
論文参考訳（メタデータ） (2021-02-07T23:48:24Z)
Randomized Online CP Decomposition [13.425121208828044]
本稿では,ランダム化オンラインCP分解(ROCP)と呼ばれる新しいCP分解アルゴリズムを提案する。 ROCPは完全なKhatri-Rao製品の形成を回避し、スピードを大幅に向上させ、メモリ使用量を減らす。
論文参考訳（メタデータ） (2020-07-21T13:41:27Z)
Optimal Randomized First-Order Methods for Least-Squares Problems [56.05635751529922]
このアルゴリズムのクラスは、最小二乗問題に対する最も高速な解法のうち、いくつかのランダム化手法を含んでいる。我々は2つの古典的埋め込み、すなわちガウス射影とアダマール変換のサブサンプリングに焦点を当てる。得られたアルゴリズムは条件数に依存しない最小二乗問題の解法として最も複雑である。
論文参考訳（メタデータ） (2020-02-21T17:45:32Z)
A Unified Framework for Coupled Tensor Completion [42.19293115131073]
結合テンソル分解は、潜在結合因子に由来する事前知識を組み込むことで、結合データ構造を明らかにする。 TRは強力な表現能力を持ち、いくつかの多次元データ処理アプリケーションで成功している。提案手法は, 合成データに関する数値実験で検証され, 実世界のデータに対する実験結果は, 回収精度の観点から, 最先端の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） (2020-01-09T02:15:46Z)

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。