Fugu-MT 論文翻訳(概要): On the Relationships between Transform-Learning NMF and Joint-Diagonalization

論文の概要: On the Relationships between Transform-Learning NMF and Joint-Diagonalization

arxiv url: http://arxiv.org/abs/2112.05664v1
Date: Fri, 10 Dec 2021 16:52:15 GMT
ステータス: 処理完了
システム内更新日: 2021-12-13 17:12:16.910113
Title: On the Relationships between Transform-Learning NMF and Joint-Diagonalization
Title（参考訳）: 変換学習NMFと関節対角化の関係について
Authors: Sixin Zhang, Emmanuel Soubies, and C\'edric F\'evotte
Abstract要約: 変換学習を用いた非負行列分解(TL-NMF)は,NMFに適したデータ表現の学習を目的とした最近のアイデアである。データ実現の回数が十分に大きい場合、TL-NMFは2段階のアプローチで置き換えることができることを示す。
参考スコア（独自算出の注目度）: 5.155159655787271
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Non-negative matrix factorization with transform learning (TL-NMF) is a recent idea that aims at learning data representations suited to NMF. In this work, we relate TL-NMF to the classical matrix joint-diagonalization (JD) problem. We show that, when the number of data realizations is sufficiently large, TL-NMF can be replaced by a two-step approach -- termed as JD+NMF -- that estimates the transform through JD, prior to NMF computation. In contrast, we found that when the number of data realizations is limited, not only is JD+NMF no longer equivalent to TL-NMF, but the inherent low-rank constraint of TL-NMF turns out to be an essential ingredient to learn meaningful transforms for NMF.
Abstract（参考訳）: 変換学習を用いた非負行列分解(TL-NMF)はNMFに適したデータ表現の学習を目的とした最近のアイデアである。本研究では、TL-NMFと古典行列共役対角化問題(JD)を関連付ける。データ実現の数が十分に大きい場合、TL-NMFは、NMF計算の前にJDによる変換を推定する2段階のアプローチ(JD+NMFと呼ばれる)に置き換えることができる。対照的に、データ実現数に制限がある場合、JD+NMFはもはやTL-NMFと等価ではないだけでなく、TL-NMFの固有の低ランク制約はNMFの有意義な変換を学ぶ上で重要な要素であることが判明した。

関連論文リスト

GSVD-NMF: Recovering Missing Features in Non-negative Matrix Factorization [0.0]
予備的なNMF結果と元の行列のSVDの間の一般化特異値分解(GSVD)に基づく新しい成分を提案するGSVD-NMFを紹介する。 GSVD-NMFは、未完成なNMFから欠落した特徴を回復し、NMFがより良い局所最適化を達成するのに役立つことを示す。
論文参考訳（メタデータ） (2024-08-15T17:01:00Z)
Stratified-NMF for Heterogeneous Data [8.174199227297514]
本研究では,階層依存統計量と共有トピック行列を同時に学習する改良NMF目標であるStratified-NMFを提案する。本手法を実世界の3つのデータセットに適用し,その特徴を実証的に検討する。
論文参考訳（メタデータ） (2023-11-17T00:34:41Z)
SymNMF-Net for The Symmetric NMF Problem [62.44067422984995]
我々は,Symmetric NMF問題に対するSymNMF-Netと呼ばれるニューラルネットワークを提案する。各ブロックの推測は最適化の単一イテレーションに対応することを示す。実世界のデータセットに関する実証的な結果は、我々のSymNMF-Netの優位性を示している。
論文参考訳（メタデータ） (2022-05-26T08:17:39Z)
Log-based Sparse Nonnegative Matrix Factorization for Data Representation [55.72494900138061]
非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
論文参考訳（メタデータ） (2022-04-22T11:38:10Z)
Co-Separable Nonnegative Matrix Factorization [20.550794776914508]
非負行列分解(NMF)はパターン認識の分野で人気があるモデルである。我々はこのNMFをCoS-NMF(CoS-NMF)と呼ぶ。 CoS-NMFの最適化モデルを提案し,その解法に置換高速勾配法を適用した。
論文参考訳（メタデータ） (2021-09-02T07:05:04Z)
Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文参考訳（メタデータ） (2021-03-24T21:17:17Z)
Entropy Minimizing Matrix Factorization [102.26446204624885]
NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
論文参考訳（メタデータ） (2021-03-24T21:08:43Z)
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)
Fast and Secure Distributed Nonnegative Matrix Factorization [13.672004396034856]
非負行列分解(NMF)は、いくつかのデータマイニングタスクでうまく適用されている。分散NMFの高速化とセキュリティ問題について検討する。
論文参考訳（メタデータ） (2020-09-07T01:12:20Z)
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)
Sparse Separable Nonnegative Matrix Factorization [22.679160149512377]
非負行列分解(NMF)の新しい変種を提案する。分離性は、第1NMF因子の列が入力行列の列に等しいのに対して、スパース性は第2NMF因子の列がスパースであることが要求される。雑音のない環境では、軽微な仮定の下で、我々のアルゴリズムが真に根底にある情報源を復元することを証明する。
論文参考訳（メタデータ） (2020-06-13T03:52:29Z)

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。