論文の概要: Improved sparse PCA method for face and image recognition
- arxiv url: http://arxiv.org/abs/2112.00207v1
- Date: Wed, 1 Dec 2021 01:11:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-03 02:53:27.393023
- Title: Improved sparse PCA method for face and image recognition
- Title（参考訳）: 顔・画像認識のためのスパースPCA法の改良
- Authors: Loc Hoang Tran, Tuan Tran, An Mai
- Abstract要約: スパースPCA法と1つの特定分類システムの組み合わせの精度は、PCA法と1つの特定分類システムの組み合わせの精度よりも低い。
我々は、FISTA法を用いてスパースPCAアルゴリズムを演算するプロセスが、近勾配法を用いてスパースPCAアルゴリズムを演算するプロセスよりも常に高速であることを認識している。
- 参考スコア（独自算出の注目度）: 0.2964978357715083
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Face recognition is the very significant field in pattern recognition area.
It has multiple applications in military and finance, to name a few. In this
paper, the combination of the sparse PCA with the nearest-neighbor method (and
with the kernel ridge regression method) will be proposed and will be applied
to solve the face recognition problem. Experimental results illustrate that the
accuracy of the combination of the sparse PCA method (using the proximal
gradient method and the FISTA method) and one specific classification system
may be lower than the accuracy of the combination of the PCA method and one
specific classification system but sometimes the combination of the sparse PCA
method (using the proximal gradient method or the FISTA method) and one
specific classification system leads to better accuracy. Moreover, we recognize
that the process computing the sparse PCA algorithm using the FISTA method is
always faster than the process computing the sparse PCA algorithm using the
proximal gradient method.
- Abstract（参考訳）: 顔認識は、パターン認識領域において非常に重要な分野である。
いくつかは軍事や金融に応用されている。
本稿では,スパースPCAと最寄りの手法(およびカーネルリッジ回帰法)の組み合わせを提案し,顔認識問題に応用する。
実験結果から,スパースPCA法(近位勾配法とFISTA法)と1つの特定分類系(近位勾配法とFISTA法)の組み合わせの精度は,PCA法と1つの特定分類系の組み合わせの精度よりも低いが,スパースPCA法(近位勾配法とFISTA法)と1つの特定分類系の組み合わせにより精度が向上することが示唆された。
さらに、FISTA法を用いてスパースPCAアルゴリズムを演算するプロセスは、近勾配法を用いてスパースPCAアルゴリズムを演算するプロセスよりも常に高速であることを示す。
関連論文リスト
- Score-Aware Policy-Gradient Methods and Performance Guarantees using Local Lyapunov Conditions: Applications to Product-Form Stochastic Networks and Queueing Systems [1.747623282473278]
本稿では,ネットワーク上の決定過程(MDP)から得られる定常分布のタイプを利用したモデル強化学習(RL)のポリシー段階的手法を提案する。
具体的には、政策パラメータによってMDPの定常分布がパラメータ化されている場合、平均回帰推定のための既存の政策手法を改善することができる。
論文 参考訳（メタデータ） (2023-12-05T14:44:58Z) - Provably Efficient UCB-type Algorithms For Learning Predictive State
Representations [55.00359893021461]
逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である
本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。
PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
論文 参考訳（メタデータ） (2023-07-01T18:35:21Z) - Predicted Embedding Power Regression for Large-Scale Out-of-Distribution
Detection [77.1596426383046]
本研究では,学習過程において学習したラベル分布に基づいて,予測されたクラスラベルの確率を計算する手法を開発した。
提案手法は,計算コストの最小化のみで,現在の最先端手法よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2023-03-07T18:28:39Z) - Efficient fair PCA for fair representation learning [21.990310743597174]
そこで本研究では,標準的なPCAに類似した解析解をカーネル化可能な,概念的にシンプルなアプローチを提案する。
提案手法は,標準PCAやカーネルPCAと同じ複雑さを持ち,半定値プログラミングや多様体最適化に基づく等価PCAの既存手法よりもはるかに高速に動作する。
論文 参考訳（メタデータ） (2023-02-26T13:34:43Z) - Reinforcement Learning with Unbiased Policy Evaluation and Linear
Function Approximation [11.345796608258434]
マルコフ決定プロセスを制御するためのシミュレーションベースのポリシーイテレーションの変種に対して,性能保証を提供する。
第一のアルゴリズムは最小二乗アプローチを伴い、各反復において、特徴ベクトルに関連する新しい重みの集合が少なくとも二乗によって得られる。
第2のアルゴリズムは、最小二乗解への勾配降下を数ステップ行う2段階の近似アルゴリズムを含む。
論文 参考訳（メタデータ） (2022-10-13T20:16:19Z) - Semi-On-Policy Training for Sample Efficient Multi-Agent Policy
Gradients [51.749831824106046]
本稿では,オンライン政策グラデーション手法のサンプル非効率性に効果的かつ効率的な手法として,セミ・オン・ポリティ(SOP)トレーニングを導入する。
提案手法は,様々なSMACタスクにおいて,最先端の値ベース手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2021-04-27T19:37:01Z) - Selective Classification via One-Sided Prediction [54.05407231648068]
片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。
理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
論文 参考訳（メタデータ） (2020-10-15T16:14:27Z) - Deep Bayesian Quadrature Policy Optimization [100.81242753620597]
ディープベイズ二次政策勾配 (Deep Bayesian quadrature Policy gradient, DBQPG) は、政策勾配推定のためのベイズ二次政策の高次元一般化である。
政策勾配法では,DBQPGがモンテカルロ推定を代用できることを示すとともに,一連の連続制御ベンチマーク上での有効性を示す。
論文 参考訳（メタデータ） (2020-06-28T15:44:47Z) - Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。
スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。
本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-23T04:25:36Z) - Reinforcement Learning for Mixed-Integer Problems Based on MPC [0.0]
混合整数 MPC スキームに基づくポリシ近似を提案し、混合整数入力空間における探索を生成するための計算コストの低い手法を提案する。
そこで本稿では,MPC と混合したポリシの勾配を構築可能な,シンプルな整合性を持つアドバンテージ関数近似を提案する。
論文 参考訳（メタデータ） (2020-04-03T08:43:27Z)
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。