論文の概要: Regularized Multivariate Analysis Framework for Interpretable
High-Dimensional Variable Selection
- arxiv url: http://arxiv.org/abs/2112.12249v1
- Date: Wed, 22 Dec 2021 22:37:05 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-24 16:36:46.995345
- Title: Regularized Multivariate Analysis Framework for Interpretable
High-Dimensional Variable Selection
- Title(参考訳): 解釈可能な高次元変数選択のための正規化多変量解析フレームワーク
- Authors: Sergio Mu\~noz-Romero and Vanessa G\'omez-Verdejo and Jer\'onimo
Arenas-Garc\'ia
- Abstract要約: 本稿では,l-21ノルムを利用して特徴抽出プロセス中に変数選択を行う新しい手法を提案する。
異なる問題に対する実験結果は、提案した定式化の利点を裏付けるものである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multivariate Analysis (MVA) comprises a family of well-known methods for
feature extraction which exploit correlations among input variables
representing the data. One important property that is enjoyed by most such
methods is uncorrelation among the extracted features. Recently, regularized
versions of MVA methods have appeared in the literature, mainly with the goal
to gain interpretability of the solution. In these cases, the solutions can no
longer be obtained in a closed manner, and more complex optimization methods
that rely on the iteration of two steps are frequently used. This paper recurs
to an alternative approach to solve efficiently this iterative problem. The
main novelty of this approach lies in preserving several properties of the
original methods, most notably the uncorrelation of the extracted features.
Under this framework, we propose a novel method that takes advantage of the
l-21 norm to perform variable selection during the feature extraction process.
Experimental results over different problems corroborate the advantages of the
proposed formulation in comparison to state of the art formulations.
- Abstract(参考訳): 多変量解析(mva)は、データを表す入力変数間の相関を利用した特徴抽出のためのよく知られた手法である。
このような方法で楽しむ重要な特性の1つは、抽出された特徴の非相関である。
近年、MVA法の正規化バージョンが文献に登場し、主に解の解釈可能性の向上を目的としている。
これらの場合、解はもはや閉じた方法では得られず、2つのステップの反復に依存するより複雑な最適化手法が頻繁に用いられる。
本稿では,この反復問題を効率的に解くための代替手法に再帰する。
このアプローチの主な斬新さは、元のメソッドのいくつかの特性、特に抽出された特徴の相関性を保存することである。
本稿では,l-21ノルムを利用して特徴抽出プロセス中に変数選択を行う新しい手法を提案する。
異なる問題に対する実験結果は, 提案した定式化の利点と, 定式化の状況とを相関させる。
関連論文リスト
- High-Probability Convergence for Composite and Distributed Stochastic
Minimization and Variational Inequalities with Heavy-Tailed Noise [60.92108236919524]
グラデーション、クリッピングは、優れた高確率保証を導き出すアルゴリズムの鍵となる要素の1つである。
クリッピングは、合成および分散最適化の一般的な方法の収束を損なう可能性がある。
論文 参考訳(メタデータ) (2023-10-03T07:49:17Z) - Comparison of Single- and Multi- Objective Optimization Quality for
Evolutionary Equation Discovery [77.34726150561087]
進化的微分方程式の発見は、より優先順位の低い方程式を得るための道具であることが証明された。
提案した比較手法は、バーガーズ方程式、波動方程式、コルテヴェーグ・ド・ブリーズ方程式といった古典的なモデル例で示される。
論文 参考訳(メタデータ) (2023-06-29T15:37:19Z) - Efficient Alternating Minimization Solvers for Wyner Multi-View
Unsupervised Learning [0.0]
本稿では,計算効率のよい解法の開発を可能にする2つの新しい定式化法を提案する。
提案した解法は, 計算効率, 理論的収束保証, ビュー数による局所最小値複雑性, 最先端技術と比較して, 例外的な精度を提供する。
論文 参考訳(メタデータ) (2023-03-28T10:17:51Z) - VI-DGP: A variational inference method with deep generative prior for
solving high-dimensional inverse problems [0.7734726150561089]
本研究では,高次元後方分布を推定するための新しい近似法を提案する。
このアプローチは、深層生成モデルを利用して、空間的に変化するパラメータを生成することができる事前モデルを学ぶ。
提案手法は自動微分方式で完全に実装できる。
論文 参考訳(メタデータ) (2023-02-22T06:48:10Z) - SARAH-based Variance-reduced Algorithm for Stochastic Finite-sum
Cocoercive Variational Inequalities [137.6408511310322]
有限サムコヒーレンシブ変分不等式の問題を考える。
強い単調な問題に対しては、この方法を用いて解への線形収束を達成することができる。
論文 参考訳(メタデータ) (2022-10-12T08:04:48Z) - Stochastic Gradient Descent-Ascent: Unified Theory and New Efficient
Methods [73.35353358543507]
SGDA(Gradient Descent-Ascent)は、min-max最適化と変分不等式問題(VIP)を解くための最も顕著なアルゴリズムの1つである。
本稿では,多種多様な降下指数法を網羅した統合収束解析を提案する。
本研究では,新しい分散化手法 (L-SVRGDA) や,新しい分散圧縮方式 (QSGDA, DIANA-SGDA, VR-DIANA-SGDA) ,座標ランダム化方式 (SEGA-SGDA) など,SGDAの新しい変種を開発した。
論文 参考訳(メタデータ) (2022-02-15T09:17:39Z) - A Multi-objective Evolutionary Algorithm for EEG Inverse Problem [0.0]
本稿では,脳波逆問題に対する多目的アプローチを提案する。
この問題の特徴から、この代替案にはそれを解決するための進化戦略が含まれていた。
その結果、分散ソリューションを推定するために、MOEAAR(Anatomical Restrictions)に基づく多目的進化的アルゴリズムが得られた。
論文 参考訳(メタデータ) (2021-07-21T19:37:27Z) - A Discrete Variational Derivation of Accelerated Methods in Optimization [68.8204255655161]
最適化のための異なる手法を導出できる変分法を導入する。
我々は1対1の対応において最適化手法の2つのファミリを導出する。
自律システムのシンプレクティシティの保存は、ここでは繊維のみに行われる。
論文 参考訳(メタデータ) (2021-06-04T20:21:53Z) - Variational Nonlinear System Identification [0.8793721044482611]
本稿では,非線形状態空間モデルに対するパラメータ推定について検討する。
我々は,最大確率推定に深いつながりを持つ原理的手法である変分推論(vi)アプローチを採用する。
このviアプローチは最終的に、決定論的で扱いやすく、標準最適化ツールを使って解決できる最適化問題の解としてモデルの推定を提供する。
論文 参考訳(メタデータ) (2020-12-08T05:43:50Z) - Simple and optimal methods for stochastic variational inequalities, I:
operator extrapolation [9.359939442911127]
まず,決定論的変分不等式(VI)問題を解決するための演算子外挿法を提案する。
次に、演算子外挿法(SOE)を導入し、その最適収束挙動を異なる不等式 VI 問題を解くために確立する。
論文 参考訳(メタデータ) (2020-11-05T17:20:19Z) - Follow the bisector: a simple method for multi-objective optimization [65.83318707752385]
複数の異なる損失を最小化しなければならない最適化問題を考える。
提案手法は、各イテレーションにおける降下方向を計算し、目的関数の相対的減少を等しく保証する。
論文 参考訳(メタデータ) (2020-07-14T09:50:33Z)
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。