論文の概要: Matrix Completion with Sparse Noisy Rows
- arxiv url: http://arxiv.org/abs/2204.01530v1
- Date: Fri, 1 Apr 2022 05:45:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-08 07:07:58.030285
- Title: Matrix Completion with Sparse Noisy Rows
- Title(参考訳): Sparse Noisyows を用いたマトリックスコンプリート
- Authors: Jafar Jafarov
- Abstract要約: 非退化雑音モデル下での高精度な低ランク化について検討する。
本稿では,各行が列の代わりにランダムノイズを受けることができると仮定する。
- 参考スコア(独自算出の注目度): 3.42658286826597
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Exact matrix completion and low rank matrix estimation problems has been
studied in different underlying conditions. In this work we study exact
low-rank completion under non-degenerate noise model. Non-degenerate random
noise model has been previously studied by many researchers under given
condition that the noise is sparse and existing in some of the columns. In this
paper, we assume that each row can receive random noise instead of columns and
propose an interactive algorithm that is robust to this noise. We show that we
use a parametrization technique to give a condition when the underlying matrix
could be recoverable and suggest an algorithm which recovers the underlying
matrix.
- Abstract(参考訳): 厳密な行列完了と低位行列推定問題は、異なる基底条件で研究されている。
本研究では, 非縮退性雑音モデルを用いて, 完全低ランク化について検討する。
非退化ランダムノイズモデルはこれまで、ノイズがスパースであり、いくつかの列に存在するという条件の下で多くの研究者によって研究されてきた。
本稿では,各行が列の代わりにランダムノイズを受信できると仮定し,この雑音に対して頑健な対話型アルゴリズムを提案する。
本研究では,パラメータ化手法を用いて,基礎となる行列を復元可能な条件を与え,基礎となる行列を復元するアルゴリズムを提案する。
関連論文リスト
- Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement
Learning [53.445068584013896]
低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。
低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。
簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
論文 参考訳(メタデータ) (2023-10-10T17:06:41Z) - Partial Matrix Completion [29.68420094716923]
この研究は、部分行列完備化の新しい枠組みを確立する。
目標は、高い信頼性で完成できるエントリの大規模なサブセットを特定することである。
本稿では,以下の証明可能な保証付き効率的なアルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-08-25T12:47:20Z) - Robust Matrix Completion with Heavy-tailed Noise [0.5837881923712392]
本稿では,重み付き潜在的非対称雑音の存在下での低ランク行列の完全性について検討する。
本稿では,大規模かつ非対称な誤りに対して頑健な重み付き雑音に適応するハマー損失を適応的に適用する。
誤差の2番目のモーメント条件下では、ユークリッド誤差は最小値の統計的推定誤差に到達するまで幾何的に早く落ちることが証明される。
論文 参考訳(メタデータ) (2022-06-09T04:48:48Z) - Adaptive Noisy Matrix Completion [0.0]
回復を目標とする行列 $mathbfM$ は、束縛された小さな雑音を付加した低ランク行列として構成されていると仮定する。
この問題を適応的な設定で検討し、下層の低ランク部分空間と雑音付加部分空間との角度の上限を連続的に推定する。
論文 参考訳(メタデータ) (2022-03-16T01:20:18Z) - Implicit Regularization of Sub-Gradient Method in Robust Matrix
Recovery: Don't be Afraid of Outliers [6.320141734801679]
簡単な部分勾配法が真の低ランク解に効率的に収束することを示す。
また,本手法のロバスト性を証明するために,シグナ-RIPと呼ばれる制限等尺性の概念を新たに構築する。
論文 参考訳(メタデータ) (2021-02-05T02:52:00Z) - Learning Noise Transition Matrix from Only Noisy Labels via Total
Variation Regularization [88.91872713134342]
本稿では,雑音遷移行列を推定し,同時に分類器を学習する理論的基礎付け手法を提案する。
提案手法の有効性を,ベンチマークおよび実世界のデータセットを用いた実験により示す。
論文 参考訳(メタデータ) (2021-02-04T05:09:18Z) - Adversarial Crowdsourcing Through Robust Rank-One Matrix Completion [17.615174152419133]
明らかな記載が損なわれているかは分かっていない。
提案アルゴリズムは,ErdHos-R'enyiランダムグラフを用いて,抽出されたエントリの集合が与えられたときに最適であることを示す。
特に, 提案アルゴリズムは, ErdHos-R'enyiランダムグラフを用いて, 与えられたエントリの集合が与えられたときに最適であることを示す。
論文 参考訳(メタデータ) (2020-10-23T06:23:20Z) - Learning Mixtures of Low-Rank Models [89.39877968115833]
低ランクモデルの計算混合を学習する問題について検討する。
ほぼ最適サンプルを用いて未知の行列を復元することが保証されるアルゴリズムを開発する。
さらに,提案アルゴリズムはランダムノイズに対して確実に安定である。
論文 参考訳(メタデータ) (2020-09-23T17:53:48Z) - Robust Low-rank Matrix Completion via an Alternating Manifold Proximal
Gradient Continuation Method [47.80060761046752]
ロバスト低ランク行列補完(RMC)は、コンピュータビジョン、信号処理、機械学習アプリケーションのために広く研究されている。
この問題は、部分的に観察された行列を低ランク行列とスパース行列の重ね合わせに分解することを目的とした。
RMCに取り組むために広く用いられるアプローチは、低ランク行列の核ノルム(低ランク性を促進するために)とスパース行列のl1ノルム(空間性を促進するために)を最小化する凸定式化を考えることである。
本稿では、近年のローワークの動機付けについて述べる。
論文 参考訳(メタデータ) (2020-08-18T04:46:22Z) - Optimal Iterative Sketching with the Subsampled Randomized Hadamard
Transform [64.90148466525754]
最小二乗問題に対する反復スケッチの性能について検討する。
本研究では、Haar行列とランダム化されたHadamard行列の収束速度が同一であることを示し、ランダムなプロジェクションを経時的に改善することを示した。
これらの手法は、ランダム化次元還元を用いた他のアルゴリズムにも適用することができる。
論文 参考訳(メタデータ) (2020-02-03T16:17:50Z) - Contextual Linear Bandits under Noisy Features: Towards Bayesian Oracles [61.247089049339664]
特徴不確かさ下における文脈線形帯域問題について検討する。
最適な仮説は、ノイズ特性によって基礎となる実現可能性関数から遠ざかることができる。
本研究では,ベイズ神託を観測情報から目的とするアルゴリズムを提案する。
論文 参考訳(メタデータ) (2017-03-03T21:39:56Z)
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。