論文の概要: Bayesian Low-rank Matrix Completion with Dual-graph Embedding: Prior
Analysis and Tuning-free Inference
- arxiv url: http://arxiv.org/abs/2203.10044v1
- Date: Fri, 18 Mar 2022 16:38:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-21 15:51:58.030853
- Title: Bayesian Low-rank Matrix Completion with Dual-graph Embedding: Prior
Analysis and Tuning-free Inference
- Title（参考訳）: 双対グラフ埋め込みによるベイズ低ランク行列完備化:事前解析とチューニングフリー推論
- Authors: Yangge Chen, Lei Cheng, Yik-Chung Wu
- Abstract要約: 本稿では,デュアルグラフ正規化に関連するハイパーパラメータを自動的に学習する新しいベイズ学習アルゴリズムを提案する。
行列の低ランク化を促進し、デュアルグラフ情報を同時に符号化する新規な事前設計を行う。
合成および実世界のデータセットを用いた実験は、提案した学習アルゴリズムの最先端性能を示す。
- 参考スコア（独自算出の注目度）: 16.82986562533071
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, there is a revival of interest in low-rank matrix completion-based
unsupervised learning through the lens of dual-graph regularization, which has
significantly improved the performance of multidisciplinary machine learning
tasks such as recommendation systems, genotype imputation and image inpainting.
While the dual-graph regularization contributes a major part of the success,
computational costly hyper-parameter tunning is usually involved. To circumvent
such a drawback and improve the completion performance, we propose a novel
Bayesian learning algorithm that automatically learns the hyper-parameters
associated with dual-graph regularization, and at the same time, guarantees the
low-rankness of matrix completion. Notably, a novel prior is devised to promote
the low-rankness of the matrix and encode the dual-graph information
simultaneously, which is more challenging than the single-graph counterpart. A
nontrivial conditional conjugacy between the proposed priors and likelihood
function is then explored such that an efficient algorithm is derived under
variational inference framework. Extensive experiments using synthetic and
real-world datasets demonstrate the state-of-the-art performance of the
proposed learning algorithm for various data analysis tasks.
- Abstract（参考訳）: 近年,2重グラフ正規化レンズによる低ランク行列補完に基づく教師なし学習への関心が復活し,レコメンデーションシステム,ジェノタイプインプテーション,イメージインパインティングといった多分野機械学習タスクの性能が大幅に向上した。
デュアルグラフの正規化は成功の大きな部分を占めているが、計算コストのかかるハイパーパラメータチューニングは通常、関与する。
このような欠点を回避し、完成性能を向上させるために、双対グラフ正則化に関連するハイパーパラメータを自動的に学習する新しいベイズ学習アルゴリズムを提案すると同時に、行列完備の低ランク性を保証する。
特に、行列の低ランク化を促進し、二重グラフ情報を同時に符号化する新しい先行設計が考案され、これはシングルグラフよりも難しい。
提案した事前条件と可能性関数の非自明な共役性を探索し、効率的なアルゴリズムを変分推論の枠組みの下で導出する。
合成および実世界のデータセットを用いた大規模な実験は、様々なデータ解析タスクのための学習アルゴリズムの最先端性能を示す。
関連論文リスト
- Fast Dual-Regularized Autoencoder for Sparse Biological Data [65.268245109828]
本研究では,近傍正規化行列補完問題に対する浅層オートエンコーダを開発する。
本研究は, 薬物と薬物の相互作用と薬物の放出関連性を予測する上で, 既存の最先端技術に対するアプローチの速度と精度の優位性を実証する。
論文 参考訳（メタデータ） (2024-01-30T01:28:48Z) - Efficiently Learning the Graph for Semi-supervised Learning [4.518012967046983]
共役勾配法を用いてスパース族から最良のグラフを効率的に学習する方法を示す。
我々の手法は、軽度な滑らかさの仮定の下で、オンラインのサブ線形後悔でグラフを効率的に学習するためにも利用できる。
提案手法を実装し,ベンチマークデータセット上の学習グラフを用いた半教師付き学習の先行研究に対して,大幅な(sim$10-100x)スピードアップを示す。
論文 参考訳（メタデータ） (2023-06-12T13:22:06Z) - Representation Learning with Multi-Step Inverse Kinematics: An Efficient
and Optimal Approach to Rich-Observation RL [106.82295532402335]
既存の強化学習アルゴリズムは、計算的難易度、強い統計的仮定、最適なサンプルの複雑さに悩まされている。
所望の精度レベルに対して、レート最適サンプル複雑性を実現するための、最初の計算効率の良いアルゴリズムを提供する。
我々のアルゴリズムMusIKは、多段階の逆運動学に基づく表現学習と体系的な探索を組み合わせる。
論文 参考訳（メタデータ） (2023-04-12T14:51:47Z) - Transductive Matrix Completion with Calibration for Multi-Task Learning [3.7660066212240757]
マルチタスク学習フレームワークにおける特徴量に対する校正制約を組み込んだトランスダクティブ行列補完アルゴリズムを提案する。
提案アルゴリズムは,不完全特徴行列とターゲット行列を同時に復元する。
いくつかの合成データ実験を行い、提案手法が既存の手法より優れていることを示す。
論文 参考訳（メタデータ） (2023-02-20T08:47:23Z) - Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。
本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文 参考訳（メタデータ） (2022-10-02T05:03:38Z) - Bayesian Graph Contrastive Learning [55.36652660268726]
本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。
提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。
いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
論文 参考訳（メタデータ） (2021-12-15T01:45:32Z) - Matrix completion based on Gaussian belief propagation [5.685589351789462]
行列ファクタリゼーションに基づく雑音マトリクス補完問題に対するメッセージパッシングアルゴリズムの開発を行う。
近似メッセージパッシングの文献によく用いられる摂動処理を適用することにより,提案アルゴリズムのメモリフレンドリーなバージョンを導出する。
合成データセットの実験により, 提案アルゴリズムは, 先行アルゴリズムが最適となる条件下では, ほぼ同じ性能を示すが, 非ガウス雑音により観測されたデータセットが破損した場合に有利であることがわかった。
論文 参考訳（メタデータ） (2021-05-01T12:16:49Z) - Deep Learning Approach for Matrix Completion Using Manifold Learning [3.04585143845864]
本論文では,線形モデルと非線形モデルを組み合わせたデータ行列の新しい潜在変数モデルを提案する。
データマトリクスのエントリ間の線形および非線形関係の両方に対処するために、新しいディープニューラルネットワークベースの行列補完アルゴリズムを設計します。
論文 参考訳（メタデータ） (2020-12-11T01:01:54Z) - Single-Timescale Stochastic Nonconvex-Concave Optimization for Smooth
Nonlinear TD Learning [145.54544979467872]
本稿では,各ステップごとに1つのデータポイントしか必要としない2つの単一スケールシングルループアルゴリズムを提案する。
本研究の結果は, 同時一次および二重側収束の形で表される。
論文 参考訳（メタデータ） (2020-08-23T20:36:49Z) - A Scalable, Adaptive and Sound Nonconvex Regularizer for Low-rank Matrix
Completion [60.52730146391456]
そこで我々は,適応的かつ音質の高い"核フロベニウスノルム"と呼ばれる新しい非スケーラブルな低ランク正規化器を提案する。
特異値の計算をバイパスし、アルゴリズムによる高速な最適化を可能にする。
既存の行列学習手法では最速でありながら、最先端の回復性能が得られる。
論文 参考訳（メタデータ） (2020-08-14T18:47:58Z)
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。