論文の概要: A Generalized Hierarchical Nonnegative Tensor Decomposition

• arxiv url: http://arxiv.org/abs/2109.14820v1
• Date: Thu, 30 Sep 2021 03:00:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-01 15:03:24.409324
• Title: A Generalized Hierarchical Nonnegative Tensor Decomposition
• Title（参考訳）: 一般化階層的非負テンソル分解
• Authors: Joshua Vendrow, Jamie Haddock, Deanna Needell
• Abstract要約: 我々は,HNMFモデルの特殊ケースを直接一般化する新しいHNTFモデルを提案し,教師付き拡張を提供する。 実験の結果,本モデルは従来のHNMF法やHNTF法よりも自然にトピック階層を照らしていることがわかった。
• 参考スコア（独自算出の注目度）: 7.707381159119711
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nonnegative matrix factorization (NMF) has found many applications including topic modeling and document analysis. Hierarchical NMF (HNMF) variants are able to learn topics at various levels of granularity and illustrate their hierarchical relationship. Recently, nonnegative tensor factorization (NTF) methods have been applied in a similar fashion in order to handle data sets with complex, multi-modal structure. Hierarchical NTF (HNTF) methods have been proposed, however these methods do not naturally generalize their matrix-based counterparts. Here, we propose a new HNTF model which directly generalizes a HNMF model special case, and provide a supervised extension. We also provide a multiplicative updates training method for this model. Our experimental results show that this model more naturally illuminates the topic hierarchy than previous HNMF and HNTF methods.
• Abstract（参考訳）: 非負行列分解(NMF)は、トピックモデリングや文書解析を含む多くの応用を見出した。 階層的nmf(hnmf)変種は、様々な粒度でトピックを学習し、その階層的関係を示すことができる。 近年、複雑なマルチモーダル構造を持つデータセットを扱うために、非負のテンソル分解法(NTF)が同様の方法で適用されている。 階層的 NTF (HNTF) 法が提案されているが、これらの手法は行列ベースの手法を自然に一般化するものではない。 本稿では、hnmfモデルの特別ケースを直接一般化し、教師付き拡張を提供する新しいhntfモデルを提案する。 また,本モデルに対する乗算更新訓練手法を提案する。 実験の結果,本モデルは従来のHNMF法やHNTF法よりも自然にトピック階層を照らしていることがわかった。

関連論文リスト

• Towards a Fairer Non-negative Matrix Factorization [6.069820038869034]
  非負行列因子化(NMF)がデータ群の表現に偏りをもたらすかを検討する。 異なるグループに対する最大再構成損失を最小化するFairer-NMFという手法を提案する。
  論文  参考訳（メタデータ） (2024-11-14T23:34:38Z)
• Explaining Modern Gated-Linear RNNs via a Unified Implicit Attention Formulation [54.50526986788175]
  効率的なシーケンスモデリングの最近の進歩は、Mamba、RWKV、および様々なゲートRNNのような注意のないレイヤーを生み出している。 我々はこれらのモデルの統一的なビューを示し、暗黙の因果自己注意層のような層を定式化する。 筆者らのフレームワークは,異なるレイヤに対する類似の基盤となるメカニズムを比較検討し,説明可能性の手法を直接適用する手段を提供する。
  論文  参考訳（メタデータ） (2024-05-26T09:57:45Z)
• Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
  半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。 本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。 さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
  論文  参考訳（メタデータ） (2023-03-29T14:54:19Z)
• Neural Nonnegative Matrix Factorization for Hierarchical Multilayer Topic Modeling [7.976416480654409]
  本稿では,非負行列分解に基づくニューラルNMF法を提案する。 我々は、合成階層データセット、20のニュースグループデータセット、MyLymeData症状データセットでNeural NMFをテストする。 数値計算の結果,ニューラルNMFは他の階層的NMF法よりも優れていた。
  論文  参考訳（メタデータ） (2023-02-28T20:00:16Z)
• Autoregressive Structured Prediction with Language Models [73.11519625765301]
  本稿では, PLM を用いた自己回帰的手法を用いて, モデル構造を行動列として記述する。 我々のアプローチは、私たちが見てきた全ての構造化予測タスクにおいて、新しい最先端を実現する。
  論文  参考訳（メタデータ） (2022-10-26T13:27:26Z)
• Log-based Sparse Nonnegative Matrix Factorization for Data Representation [55.72494900138061]
  非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。 そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。 提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
  論文  参考訳（メタデータ） (2022-04-22T11:38:10Z)
• Semi-supervised Nonnegative Matrix Factorization for Document Classification [6.577559557980527]
  文書分類のための半教師付き非負行列分解(SSNMF)モデルを提案する。 我々は,各新モデルに対して乗算的更新を用いたトレーニング手法を導出し,これらのモデルの単一ラベルおよび多ラベル文書分類への応用を実証する。
  論文  参考訳（メタデータ） (2022-02-28T19:00:49Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• On a Guided Nonnegative Matrix Factorization [9.813862201223973]
  本研究では,非負行列分解(NMF)モデルに基づく手法を提案する。 実験により,本モデルの可能性を実証し,極めて少ない監督情報しか持たない他の手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-10-22T01:06:17Z)
• Evaluating the Disentanglement of Deep Generative Models through Manifold Topology [66.06153115971732]
  本稿では,生成モデルのみを用いた乱れの定量化手法を提案する。 複数のデータセットにまたがるいくつかの最先端モデルを実証的に評価する。
  論文  参考訳（メタデータ） (2020-06-05T20:54:11Z)

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。