論文の概要: Self-paced Principal Component Analysis

• arxiv url: http://arxiv.org/abs/2106.13880v1
• Date: Fri, 25 Jun 2021 20:50:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 14:08:28.717129
• Title: Self-paced Principal Component Analysis
• Title（参考訳）: 自己ペース主成分分析
• Authors: Zhao Kang, Hongfei Liu, Jiangxin Li, Xiaofeng Zhu, and Ling Tian
• Abstract要約: 本稿では,SPCA (Self-paced PCA) と呼ばれる新しい手法を提案する。 各サンプルの複雑さは、単純からより複雑なサンプルをトレーニングに統合するために、各イテレーションの開始時に計算されます。
• 参考スコア（独自算出の注目度）: 17.333976289539457
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Principal Component Analysis (PCA) has been widely used for dimensionality reduction and feature extraction. Robust PCA (RPCA), under different robust distance metrics, such as l1-norm and l2, p-norm, can deal with noise or outliers to some extent. However, real-world data may display structures that can not be fully captured by these simple functions. In addition, existing methods treat complex and simple samples equally. By contrast, a learning pattern typically adopted by human beings is to learn from simple to complex and less to more. Based on this principle, we propose a novel method called Self-paced PCA (SPCA) to further reduce the effect of noise and outliers. Notably, the complexity of each sample is calculated at the beginning of each iteration in order to integrate samples from simple to more complex into training. Based on an alternating optimization, SPCA finds an optimal projection matrix and filters out outliers iteratively. Theoretical analysis is presented to show the rationality of SPCA. Extensive experiments on popular data sets demonstrate that the proposed method can improve the state of-the-art results considerably.
• Abstract（参考訳）: 主成分分析(PCA)は次元減少と特徴抽出に広く用いられている。 ロバストPCA (RPCA) は、l1-norm や l2, p-norm のような異なる頑健な距離の測定値の下で、ある程度ノイズや外れ値を扱うことができる。 しかし、実世界のデータはこれらの単純な関数によって完全にキャプチャできない構造を表示するかもしれない。 さらに、既存の方法は複雑で単純なサンプルを等しく扱う。 対照的に、人間が一般的に採用する学習パターンは、単純から複雑、より少ないものから学ぶことである。 この原理に基づき, 雑音や異常値の影響を更に低減する, セルフペーシングpca (spca) と呼ばれる新しい手法を提案する。 特に、各サンプルの複雑さは、単純からより複雑なサンプルをトレーニングに統合するために、各イテレーションの初めに計算されます。 交互最適化に基づいて、SPCAは最適なプロジェクション行列を見つけ、アウトリーチを反復的にフィルタする。 理論的解析はSPCAの合理性を示す。 一般的なデータセットに関する広範囲な実験により,提案手法が技術結果を大幅に改善できることが証明された。

関連論文リスト

• Efficient Estimation of Unique Components in Independent Component Analysis by Matrix Representation [1.0282274843007793]
  独立成分分析(ICA)は信号処理や特徴抽出の様々な応用において広く用いられている手法である。 本稿では,アルゴリズムを行列表現で再構成することにより,ICAの固有推定を高度に高速化する。 人工データセットと脳波データを用いた実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2024-08-30T09:01:04Z)
• Fast Shapley Value Estimation: A Unified Approach [71.92014859992263]
  冗長な手法を排除し、単純で効率的なシェープリー推定器SimSHAPを提案する。 既存手法の解析において、推定器は特徴部分集合からランダムに要約された値の線形変換として統一可能であることを観察する。 実験により,SimSHAPの有効性が検証され,精度の高いShapley値の計算が大幅に高速化された。
  論文  参考訳（メタデータ） (2023-11-02T06:09:24Z)
• Entropic Wasserstein Component Analysis [8.744017403796406]
  次元減少(DR)の鍵となる要件は、元のサンプルと組込みサンプルの間にグローバルな依存関係を組み込むことである。 最適輸送(OT)と主成分分析(PCA)の原理を組み合わせる。 提案手法は, サンプルの近傍情報を自然に符号化するエントロピーOTを用いて, 復元誤差を最小化する最適線形部分空間を求める。
  論文  参考訳（メタデータ） (2023-03-09T08:59:33Z)
• Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
  異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。 本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-06T14:49:59Z)
• Asymptotically Unbiased Instance-wise Regularized Partial AUC Optimization: Theory and Algorithm [101.44676036551537]
  One-way partial AUC (OPAUC) と Two-way partial AUC (TPAUC) はバイナリ分類器の平均性能を測定する。 既存の手法のほとんどはPAUCをほぼ最適化するしかなく、制御不能なバイアスにつながる。 本稿では,分散ロバスト最適化AUCによるPAUC問題の簡易化について述べる。
  論文  参考訳（メタデータ） (2022-10-08T08:26:22Z)
• Enhanced Principal Component Analysis under A Collaborative-Robust Framework [89.28334359066258]
  重み学習とロバストな損失を非自明な方法で組み合わせる,一般的な協調ロバスト重み学習フレームワークを提案する。 提案されたフレームワークでは、トレーニング中の重要度を示す適切なサンプルの一部のみがアクティブになり、エラーが大きい他のサンプルは無視されません。 特に、不活性化試料の負の効果はロバスト損失関数によって軽減される。
  論文  参考訳（メタデータ） (2021-03-22T15:17:37Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• Investigating the Scalability and Biological Plausibility of the Activation Relaxation Algorithm [62.997667081978825]
  アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。 このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。 また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
  論文  参考訳（メタデータ） (2020-10-13T08:02:38Z)
• Principal Ellipsoid Analysis (PEA): Efficient non-linear dimension reduction & clustering [9.042239247913642]
  本稿では,データとより柔軟なクラスタ形状の非線形関係を実現することにより,PCAとk平均の改善に焦点を当てる。 鍵となる貢献は、PCAに代わる単純で効率的な代替品を定義する、PEA(Principal Analysis)の新しいフレームワークである。 さまざまな実際のデータクラスタリングアプリケーションにおいて、PEAは単純なデータセットのためのk-meansと同様に機能し、より複雑な設定でパフォーマンスを劇的に改善する。
  論文  参考訳（メタデータ） (2020-08-17T06:25:50Z)

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。