論文の概要: Learnable Faster Kernel-PCA for Nonlinear Fault Detection: Deep
Autoencoder-Based Realization
- arxiv url: http://arxiv.org/abs/2112.04193v1
- Date: Wed, 8 Dec 2021 09:41:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-09 16:43:51.854605
- Title: Learnable Faster Kernel-PCA for Nonlinear Fault Detection: Deep
Autoencoder-Based Realization
- Title（参考訳）: 非線形故障検出のための学習可能な高速カーネルPCA:ディープオートエンコーダによる実現
- Authors: Zelin Ren, Xuebing Yang, Yuchen Jiang, Wensheng Zhang
- Abstract要約: カーネル主成分分析(KPCA)は、よく認識される非線形次元減少法である。
そこで本研究では,従来のKPCAのより高速な実現法を提案する。
提案したDAE-PCA法は, KPCAと等価であることが証明されているが, 入力に応じて最適な非線形高次元空間の自動探索において, より有利である。
- 参考スコア（独自算出の注目度）: 7.057302509355857
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Kernel principal component analysis (KPCA) is a well-recognized nonlinear
dimensionality reduction method that has been widely used in nonlinear fault
detection tasks. As a kernel trick-based method, KPCA inherits two major
problems. First, the form and the parameters of the kernel function are usually
selected blindly, depending seriously on trial-and-error. As a result, there
may be serious performance degradation in case of inappropriate selections.
Second, at the online monitoring stage, KPCA has much computational burden and
poor real-time performance, because the kernel method requires to leverage all
the offline training data. In this work, to deal with the two drawbacks, a
learnable faster realization of the conventional KPCA is proposed. The core
idea is to parameterize all feasible kernel functions using the novel nonlinear
DAE-FE (deep autoencoder based feature extraction) framework and propose
DAE-PCA (deep autoencoder based principal component analysis) approach in
detail. The proposed DAE-PCA method is proved to be equivalent to KPCA but has
more advantage in terms of automatic searching of the most suitable nonlinear
high-dimensional space according to the inputs. Furthermore, the online
computational efficiency improves by approximately 100 times compared with the
conventional KPCA. With the Tennessee Eastman (TE) process benchmark, the
effectiveness and superiority of the proposed method is illustrated.
- Abstract（参考訳）: カーネル主成分分析(kpca)は、非線形故障検出タスクで広く用いられている、よく認識された非線形次元低減法である。
カーネルトリックベースの方法として、KPCAは2つの大きな問題を継承する。
第一に、カーネル関数の形式とパラメータは通常、試行錯誤により盲目的に選択される。
その結果、不適切な選択の場合、重大な性能劣化が発生する可能性がある。
第2に、オンライン監視ステージでは、カーネルメソッドがすべてのオフライントレーニングデータを活用する必要があるため、kpcaは計算負荷が大きく、リアルタイムパフォーマンスが低くなる。
本研究では,2つの欠点に対処するため,従来のKPCAのより高速な実現法を提案する。
核となる考え方は、新しい非線形DAE-FE(deep autoencoder based feature extract)フレームワークを用いて、すべての実現可能なカーネル関数をパラメータ化し、DAE-PCA(deep autoencoder based principal component analysis)アプローチを詳細に提案することである。
提案したDAE-PCA法は, KPCAと等価であることが証明されているが, 入力に応じて最適な非線形高次元空間の自動探索において, より有利である。
さらに、オンライン計算効率は従来のKPCAに比べて約100倍向上する。
テネシー・イーストマン(TE)プロセスベンチマークでは,提案手法の有効性と優位性を示す。
関連論文リスト
- Efficient Two-Stage Gaussian Process Regression Via Automatic Kernel Search and Subsampling [5.584863079768593]
本稿では,平均的予測と不確実性定量化(UQ)を分離して,平均的不特定化を防止する柔軟な2段階GPRフレームワークを提案する。
また,理論解析によって支持されるカーネル関数の誤特定アルゴリズムを提案し,候補集合から最適なカーネルを選択する。
計算コストがはるかに低いため、サブサンプリングベースの戦略は、完全なデータセットでのみトレーニングするよりも、競争力やパフォーマンスが向上します。
論文 参考訳（メタデータ） (2024-05-22T16:11:29Z) - Efficient kernel surrogates for neural network-based regression [0.8030359871216615]
ニューラルタンジェントカーネル(NTK)の効率的な近似である共役カーネル(CK)の性能について検討する。
CK性能がNTKよりもわずかに劣っていることを示し、特定の場合において、CK性能が優れていることを示す。
NTKの代わりにCKを使用するための理論的基盤を提供するだけでなく,DNNの精度を安価に向上するためのレシピを提案する。
論文 参考訳（メタデータ） (2023-10-28T06:41:47Z) - Extending Kernel PCA through Dualization: Sparsity, Robustness and Fast
Algorithms [14.964073009670194]
本稿では,凸関数の差分を二重化することによりカーネル主成分分析(KPCA)を再検討する。
これにより、KPCAを複数の目的関数に自然に拡張することができ、グラム行列の高価なSVDを避けるために効率的な勾配ベースのアルゴリズムが導かれる。
論文 参考訳（メタデータ） (2023-06-09T11:27:35Z) - 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) - Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。
計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。
また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
論文 参考訳（メタデータ） (2022-03-23T06:24:31Z) - 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) - CATRO: Channel Pruning via Class-Aware Trace Ratio Optimization [61.71504948770445]
本稿では,CATRO (Class-Aware Trace Ratio Optimization) を用いた新しいチャネルプルーニング手法を提案する。
CATROは、他の最先端チャネルプルーニングアルゴリズムと同等の精度で、同様のコストまたは低コストで高い精度を達成できることを示す。
CATROは、クラス認識の特性のため、様々な分類サブタスクに適応的に効率の良いネットワークを創り出すのに適している。
論文 参考訳（メタデータ） (2021-10-21T06:26:31Z) - Kernel Identification Through Transformers [54.3795894579111]
カーネル選択はガウス過程(GP)モデルの性能決定において中心的な役割を果たす。
この研究は、高次元GP回帰モデルのためのカスタムカーネル関数を構築するという課題に対処する。
KITT: Kernel Identification through Transformersを提案する。
論文 参考訳（メタデータ） (2021-06-15T14:32:38Z) - Statistical Optimality and Computational Efficiency of Nystr\"om Kernel
PCA [0.913755431537592]
近似カーネル主成分分析(KPCA)における計算複雑性と統計的精度のトレードオフについて検討する。
KPCAに適用した場合、Nystr近似KPCAは、他の一般的な近似スキームであるランダム特徴近似の統計的挙動よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-05-19T01:49:35Z) - Flow-based Kernel Prior with Application to Blind Super-Resolution [143.21527713002354]
カーネル推定は一般にブラインド画像超解像(SR)の鍵となる問題の一つである
本稿では,カーネルモデリングのための正規化フローベースカーネルプリレント(fkp)を提案する。
合成および実世界の画像の実験により、提案したFKPがカーネル推定精度を大幅に向上することを示した。
論文 参考訳（メタデータ） (2021-03-29T22:37:06Z) - 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)
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。