論文の概要: NNK-Means: Dictionary Learning using Non-Negative Kernel regression

• arxiv url: http://arxiv.org/abs/2110.08212v1
• Date: Fri, 15 Oct 2021 17:17:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-18 14:47:01.086987
• Title: NNK-Means: Dictionary Learning using Non-Negative Kernel regression
• Title（参考訳）: NNK-Means:非負のカーネル回帰を用いた辞書学習
• Authors: Sarath Shekkizhar, Antonio Ortega
• Abstract要約: 本研究では,最近導入された非負のカーネル回帰(NNK)グラフの特性を利用した辞書学習によるデータの要約について検討する。 提案するNNK-Meansは、wSVDのような競合技術とは異なり、入力データ空間にある原子を持つ幾何学的辞書を学習する。 実験の結果,NNK-Meanscan を用いた要約は,kMeans や kSVD の線形版やカーネル版に比べ,識別性が向上していることがわかった。
• 参考スコア（独自算出の注目度）: 46.09968672379495
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An increasing number of systems are being designed by first gathering significant amounts of data, and then optimizing the system parameters directly using the obtained data. Often this is done without analyzing the dataset structure. As task complexity, data size, and parameters all increase to millions or even billions, data summarization is becoming a major challenge. In this work, we investigate data summarization via dictionary learning, leveraging the properties of recently introduced non-negative kernel regression (NNK) graphs. Our proposed NNK-Means, unlike competing techniques, such askSVD, learns geometric dictionaries with atoms that lie in the input data space. Experiments show that summaries using NNK-Meanscan provide better discrimination compared to linear and kernel versions of kMeans and kSVD. Moreover, NNK-Means has a scalable implementation, with runtime complexity similar to that of kMeans.
• Abstract（参考訳）: まず大量のデータを収集し,得られたデータから直接システムパラメータを最適化することで,システム数の増加が図られている。 多くの場合、データセット構造を解析せずに行われる。 タスクの複雑さ、データサイズ、パラメータがすべて数百万から数十億に増加するにつれ、データの要約は大きな課題になりつつある。 本研究では,最近導入された非負のカーネル回帰(NNK)グラフの特性を利用した辞書学習によるデータの要約について検討する。 提案するNNK-Meansは、wSVDのような競合技術とは異なり、入力データ空間にある原子を持つ幾何学的辞書を学習する。 実験の結果,NNK-Meanscan を用いた要約は,kMeans や kSVD の線形版やカーネル版に比べ,識別性が向上した。 さらにNNK-Meansにはスケーラブルな実装があり、実行時の複雑さはkMeansと同様である。

関連論文リスト

• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Informative Initialization and Kernel Selection Improves t-SNE for Biological Sequences [0.966840768820136]
  t分散隣接埋め込み(t-SNE)は、各点を低次元(LD)空間にマッピングすることで高次元(HD)データを解釈する方法である。 カーネル選択がt-SNEの性能において重要な役割を果たすことを示す。
  論文  参考訳（メタデータ） (2022-11-16T23:36:27Z)
• Improvements to Supervised EM Learning of Shared Kernel Models by Feature Space Partitioning [0.0]
  本稿では、EMトレーニングアルゴリズムの導出における厳密さの欠如と、その手法の計算複雑性について述べる。 まず、ガウス共有カーネルモデル PRBF 分類器に対して、EM の詳細な導出を行う。 結果のSKEMアルゴリズムの複雑さを軽減するために、特徴空間を変数の非重複部分集合の$R$に分割する。
  論文  参考訳（メタデータ） (2022-05-31T09:18:58Z)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)
• Rank-R FNN: A Tensor-Based Learning Model for High-Order Data Classification [69.26747803963907]
  Rank-R Feedforward Neural Network (FNN)は、そのパラメータにCanonical/Polyadic分解を課すテンソルベースの非線形学習モデルである。 まず、入力をマルチリニアアレイとして扱い、ベクトル化の必要性を回避し、すべてのデータ次元に沿って構造情報を十分に活用することができる。 Rank-R FNNの普遍的な近似と学習性の特性を確立し、実世界のハイパースペクトルデータセットのパフォーマンスを検証する。
  論文  参考訳（メタデータ） (2021-04-11T16:37:32Z)
• Random Features for the Neural Tangent Kernel [57.132634274795066]
  完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。 得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
  論文  参考訳（メタデータ） (2021-04-03T09:08:12Z)
• Graph-Aided Online Multi-Kernel Learning [12.805267089186533]
  本稿では, 良好な関数近似を提供する辞書から, データ駆動によるカーネルの選択について検討する。 カーネル間の類似性に基づいて、新しいフレームワークは、カーネルのサブセットの選択を支援するためにグラフを構築し、洗練する。 提案アルゴリズムは、最先端のグラフベースのオンラインMKL代替品と比較して、より厳密なサブ線形後悔を享受する。
  論文  参考訳（メタデータ） (2021-02-09T07:43:29Z)
• Faster Kernel Interpolation for Gaussian Processes [30.04235162264955]
  大規模データセットへのプロセス(GP)回帰のスケーリングにおける重要な課題は、正確な推論がnxnのカーネル行列を必要とすることである。 構造化カーネル(SKI)は最もスケーラブルな方法の一つである。 1つのO(n)時間前計算ステップの後、SKIをO(m log m)に還元できることが示される。 我々は, m と n の広い範囲で実際に高速化を実演し, 1億点を超える3次元気象レーダデータセット上でGP推定に適用した。
  論文  参考訳（メタデータ） (2021-01-28T00:09:22Z)
• Approximate kNN Classification for Biomedical Data [1.1852406625172218]
  Single-cell RNA-seq (scRNA-seq) は、将来性はあるが重要な計算課題を持つDNAシークエンシング技術である。 scRNA-seqデータにおけるkNN分類のタスクに近似した近接探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-12-03T18:30:43Z)
• Federated Doubly Stochastic Kernel Learning for Vertically Partitioned Data [93.76907759950608]
  本稿では,垂直分割データに対する2倍のカーネル学習アルゴリズムを提案する。 本稿では,FDSKLがカーネルを扱う場合,最先端のフェデレーション学習手法よりもはるかに高速であることを示す。
  論文  参考訳（メタデータ） (2020-08-14T05:46:56Z)

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。