論文の概要: Learned Robust PCA: A Scalable Deep Unfolding Approach for High-Dimensional Outlier Detection

• arxiv url: http://arxiv.org/abs/2110.05649v1
• Date: Mon, 11 Oct 2021 23:37:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-13 13:38:04.161479
• Title: Learned Robust PCA: A Scalable Deep Unfolding Approach for High-Dimensional Outlier Detection
• Title（参考訳）: 学習ロバストPCA:高次元外乱検出のためのスケーラブルな深部展開手法
• Authors: HanQin Cai, Jialin Liu, Wotao Yin
• Abstract要約: ロバストな主成分分析は機械学習において重要なツールであり、低ランク再構成タスクにおける外れ値を検出する。 本稿では,LRPCAと呼ばれる高次元RPCA問題に対するスケーラブルで学習可能なアプローチを提案する。 LRPCAは、ニューラルネットワークAltProjのような最先端のRPCAアルゴリズムよりも、両方のデータセットの実際のアプリケーションで優れていることを示す。
• 参考スコア（独自算出の注目度）: 23.687598836093333
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust principal component analysis (RPCA) is a critical tool in modern machine learning, which detects outliers in the task of low-rank matrix reconstruction. In this paper, we propose a scalable and learnable non-convex approach for high-dimensional RPCA problems, which we call Learned Robust PCA (LRPCA). LRPCA is highly efficient, and its free parameters can be effectively learned to optimize via deep unfolding. Moreover, we extend deep unfolding from finite iterations to infinite iterations via a novel feedforward-recurrent-mixed neural network model. We establish the recovery guarantee of LRPCA under mild assumptions for RPCA. Numerical experiments show that LRPCA outperforms the state-of-the-art RPCA algorithms, such as ScaledGD and AltProj, on both synthetic datasets and real-world applications.
• Abstract（参考訳）: ロバスト主成分分析(RPCA)は現代の機械学習において重要なツールであり、低ランク行列再構成のタスクにおける外れ値を検出する。 本稿では,Learted Robust PCA (LRPCA) と呼ぶ高次元RPCA問題に対して,スケーラブルで学習可能な非凸アプローチを提案する。 LRPCAは非常に効率的で、その自由パラメータは深く展開することで効果的に学習することができる。 さらに,新しいfeedforward-recurrent-mixedニューラルネットワークモデルを用いて,有限イテレーションから無限イテレーションまで深い展開を行う。 RPCAの軽度仮定に基づき,LRPCAの回復保証を確立する。 LRPCAは、合成データセットと実世界のアプリケーションの両方で、ScaledGDやAltProjのような最先端のRPCAアルゴリズムよりも優れています。

関連論文リスト

• WARP-LCA: Efficient Convolutional Sparse Coding with Locally Competitive Algorithm [1.4186974630564675]
  WARP-LCAは,従来のLCAに比べて桁違いに収束し,最小限にまで達することを示す。 WARP-LCAは, 深い認識パイプラインに適用した場合, 再現性, 復調性, およびロバスト性において優れた特性を示す。
  論文  参考訳（メタデータ） (2024-10-24T14:47:36Z)
• Deep Unrolling for Nonconvex Robust Principal Component Analysis [75.32013242448151]
  我々はロバスト成分分析のためのアルゴリズムを設計する(A) 行列を低主行列とスパース主行列の和に分解する。
  論文  参考訳（メタデータ） (2023-07-12T03:48:26Z)
• ASR: Attention-alike Structural Re-parameterization [53.019657810468026]
  本稿では,アテンション機構の有効性を享受しながら,与えられたネットワークに対してSRPを実現するための,シンプルなアテンション型構造的再パラメータ化(ASR)を提案する。 本稿では,統計的観点から広範囲にわたる実験を行い,Stripe Observationという興味深い現象を発見し,チャネル注意値が訓練中に一定のベクトルに素早く接近することを明らかにする。
  論文  参考訳（メタデータ） (2023-04-13T08:52:34Z)
• Deep Unfolded Tensor Robust PCA with Self-supervised Learning [21.710932587432396]
  深部展開を用いたテンソルRPCAの高速かつ簡易な自己教師モデルについて述べる。 我々のモデルは、競争力やパフォーマンスを保ちながら、根拠となる真理ラベルの必要性を排除します。 我々はこれらの主張を、合成データと実世界のタスクの混合上で実証する。
  論文  参考訳（メタデータ） (2022-12-21T20:34:42Z)
• An online algorithm for contrastive Principal Component Analysis [9.090031210111919]
  我々は、cPCA*のオンラインアルゴリズムを導き、局所的な学習規則でニューラルネットワークにマップできることを示し、エネルギー効率の良いニューロモルフィックハードウェアで実装できる可能性がある。 実際のデータセット上でのオンラインアルゴリズムの性能を評価し、元の定式化との相違点と類似点を強調した。
  論文  参考訳（メタデータ） (2022-11-14T19:48:48Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• Large-scale Optimization of Partial AUC in a Range of False Positive Rates [51.12047280149546]
  ROC曲線 (AUC) の下の領域は、機械学習において最も広く使われている分類モデルのパフォーマンス指標の1つである。 近年の封筒平滑化技術に基づく効率的な近似勾配降下法を開発した。 提案アルゴリズムは,効率のよい解法を欠くランク付けされた範囲損失の和を最小化するためにも利用できる。
  論文  参考訳（メタデータ） (2022-03-03T03:46:18Z)
• Phase Retrieval using Expectation Consistent Signal Recovery Algorithm based on Hypernetwork [73.94896986868146]
  位相検索は現代の計算イメージングシステムにおいて重要な要素である。 近年のディープラーニングの進歩は、堅牢で高速なPRの新たな可能性を開いた。 我々は、既存の制限を克服するために、深層展開のための新しいフレームワークを開発する。
  論文  参考訳（メタデータ） (2021-01-12T08:36:23Z)
• Angular Embedding: A New Angular Robust Principal Component Analysis [10.120548476934186]
  主成分分析が外れ値に敏感であることは深刻な問題である。 既存の最先端のRPCAアプローチは、非イテレーティブな方法で容易に外れ値を取り除いたり、許容することはできません。 本稿では,角密度に基づいて単純なRPCAアプローチを定式化するAngular Embedding (AE)を提案する。 さらに、大規模なアウトレーラを持つデータを扱うためにトリミングされたAE(TAE)を導入する。
  論文  参考訳（メタデータ） (2020-11-22T13:36:56Z)
• Deep-RLS: A Model-Inspired Deep Learning Approach to Nonlinear PCA [12.629088975832797]
  非線形PCAを実現するために,Deep-RLSと呼ばれるタスクベースのディープラーニング手法を提案する。 特に、ブラインドソース分離(BSS)問題に対する非線形PCAを定式化し、Deep-RLSが音源信号の復元精度を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2020-11-15T06:05:51Z)
• Optimization-driven Deep Reinforcement Learning for Robust Beamforming in IRS-assisted Wireless Communications [54.610318402371185]
  Intelligent Reflecting Surface (IRS)は、マルチアンテナアクセスポイント(AP)から受信機へのダウンリンク情報伝達を支援する有望な技術である。 我々は、APのアクティブビームフォーミングとIRSのパッシブビームフォーミングを共同最適化することで、APの送信電力を最小化する。 過去の経験からビームフォーミング戦略に適応できる深層強化学習(DRL)手法を提案する。
  論文  参考訳（メタデータ） (2020-05-25T01:42:55Z)

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。