論文の概要: Learning Multiresolution Matrix Factorization and its Wavelet Networks on Graphs

• arxiv url: http://arxiv.org/abs/2111.01940v1
• Date: Tue, 2 Nov 2021 23:14:17 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 13:44:24.789081
• Title: Learning Multiresolution Matrix Factorization and its Wavelet Networks on Graphs
• Title（参考訳）: グラフ上のマルチレゾリューション行列分解とそのウェーブレットネットワークの学習
• Authors: Truong Son Hy and Risi Kondor
• Abstract要約: 多分解能行列分解法(MMF)は高速行列分解法では珍しい。 本稿では、強化学習とスティーフェル多様体の最適化を組み合わせることで、因子化を巧みに最適化するMMFの学習可能なバージョンを提案する。 得られたウェーブレット基底は、従来のMMFアルゴリズムよりも優れており、標準学習タスクに頑健に展開可能な、この種の分解の最初のバージョンを提供する。
• 参考スコア（独自算出の注目度）: 11.256959274636724
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multiresolution Matrix Factorization (MMF) is unusual amongst fast matrix factorization algorithms in that it does not make a low rank assumption. This makes MMF especially well suited to modeling certain types of graphs with complex multiscale or hierarchical strucutre. While MMF promises to yields a useful wavelet basis, finding the factorization itself is hard, and existing greedy methods tend to be brittle. In this paper we propose a learnable version of MMF that carfully optimizes the factorization with a combination of reinforcement learning and Stiefel manifold optimization through backpropagating errors. We show that the resulting wavelet basis far outperforms prior MMF algorithms and provides the first version of this type of factorization that can be robustly deployed on standard learning tasks.
• Abstract（参考訳）: 多分解能行列因数分解(MMF)は、低ランクの仮定をしない高速行列因数分解アルゴリズムの中でも珍しい。 これによってmmfは、複雑なマルチスケールまたは階層的なストルカットルを持つ特定の種類のグラフのモデル化に特に適している。 MMFは有用なウェーブレット基底を生成することを約束するが、分解そのものを見つけることは困難であり、既存のグリード法は脆弱である。 本稿では,バックプロパゲーションエラーによる強化学習とスティフェル多様体最適化を組み合わせることで,因子化を巧みに最適化するmmfの学習可能なバージョンを提案する。 得られたウェーブレット基底は、従来のMMFアルゴリズムよりも優れており、標準学習タスクに頑健に展開できるこのタイプの分解の最初のバージョンを提供する。

関連論文リスト

• Learning to Solve Multiresolution Matrix Factorization by Manifold Optimization and Evolutionary Metaheuristics [6.4671761956203655]
  We propose a learnable' version of Multi resolution Matrix Factorization (MMF)。 得られたウェーブレット基底は,従来のMMFアルゴリズムよりも優れていることを示す。 本研究では,スペクトル領域上のウェーブレットニューラルネットワーク(WNN)学習グラフを,MMF学習アルゴリズムによって生成されたウェーブレットベースで構築する。
  論文  参考訳（メタデータ） (2024-06-01T15:38:57Z)
• Exponentially Convergent Algorithms for Supervised Matrix Factorization [2.1485350418225244]
  Supervised Factorization (SMF) は、抽出タスクと分類タスクを集約する機械学習手法である。 本稿では,組合わせ係数空間推定における低ランク推定問題としてSMFを'リフト'する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-18T23:24:02Z)
• Quadratic Matrix Factorization with Applications to Manifold Learning [1.6795461001108094]
  本稿では,データセットの配置する曲線多様体を学習するための2次行列分解(QMF)フレームワークを提案する。 アルゴリズムでは,QMFを最適化し,その理論的収束特性を確立するための交代最小化アルゴリズムを提案する。 合成多様体学習データセットとMNIST手書きデータセットと低温電子顕微鏡データセットを含む2つの実データセットの実験は、提案手法が競合相手よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-01-30T15:09:00Z)
• Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
  行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。 我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。 UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-31T12:09:32Z)
• FastSTMF: Efficient tropical matrix factorization algorithm for sparse data [0.0]
  機械学習における最も一般的な手法の一つである行列分解は、最近、熱帯セミリングを用いた予測タスクに非線形性を導入することで恩恵を受けている。 本研究では,STMF(Sparse Tropical Matrix Factorization)に基づく新しいFastSTMF法を提案する。 我々は,TCGAデータベースからの合成および実遺伝子発現データ上でFastSTMFを評価し,FastSTMFがSTMFの精度と実行時間の両方で優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-13T13:13:06Z)
• Permutation Invariant Policy Optimization for Mean-Field Multi-Agent Reinforcement Learning: A Principled Approach [128.62787284435007]
  本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。 我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。 特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-18T04:35:41Z)
• Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
  シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。 より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。 SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
  論文  参考訳（メタデータ） (2021-03-02T12:47:40Z)
• Positive Semidefinite Matrix Factorization: A Connection with Phase Retrieval and Affine Rank Minimization [71.57324258813674]
  位相探索(PR)とアフィンランク最小化(ARM)アルゴリズムに基づいてPSDMFアルゴリズムを設計可能であることを示す。 このアイデアに触発され、反復的ハードしきい値(IHT)に基づくPSDMFアルゴリズムの新たなファミリーを導入する。
  論文  参考訳（メタデータ） (2020-07-24T06:10:19Z)
• Towards Minimax Optimal Reinforcement Learning in Factored Markov Decision Processes [53.72166325215299]
  エピソード因子化マルコフ決定過程(FMDP)における最小強化学習について検討する。 第一に、分解された構造のリッチなクラスに対する最小限の後悔の保証を達成する。 2つ目は、少し悪い後悔をしながら、より良い計算複雑性を楽しみます。
  論文  参考訳（メタデータ） (2020-06-24T00:50:17Z)
• Augmentation of the Reconstruction Performance of Fuzzy C-Means with an Optimized Fuzzification Factor Vector [99.19847674810079]
  Fuzzy C-Means (FCM) は情報グラニュラーを構成する最も頻繁に使用される手法の1つである。 本稿では, ファジィ化因子のベクトルを導入することにより, FCMに基づく脱顆粒機構を増強する。 合成データセットと公開データセットの両方で実験が完了し、提案手法が汎用データ再構成手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-13T04:17:30Z)

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。