論文の概要: Survey of Matrix Completion Algorithms

• arxiv url: http://arxiv.org/abs/2204.01532v1
• Date: Fri, 1 Apr 2022 05:44:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-08 07:19:59.999059
• Title: Survey of Matrix Completion Algorithms
• Title（参考訳）: 行列補完アルゴリズムの調査
• Authors: Jafar Jafarov
• Abstract要約: NetflixがNetflix Prize問題を発表して以来、マトリックスのコンプリート問題はさまざまな条件で調査されてきた。 主に受動方向および適応方向の行列補完法について検討する。
• 参考スコア（独自算出の注目度）: 3.42658286826597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Matrix completion problem has been investigated under many different conditions since Netflix announced the Netflix Prize problem. Many research work has been done in the field once it has been discovered that many real life dataset could be estimated with a low-rank matrix. Since then compressed sensing, adaptive signal detection has gained the attention of many researchers. In this survey paper we are going to visit some of the matrix completion methods, mainly in the direction of passive and adaptive directions. First, we discuss passive matrix completion methods with convex optimization, and the second active matrix completion techniques with adaptive signal detection methods. Traditionally many machine learning problems are solved in passive environment. However, later it has been observed that adaptive sensing algorithms many times performs more efficiently than former algorithms. Hence algorithms in this setting has been extensively studied. Therefore, we are going to present some of the latest adaptive matrix completion algorithms in this paper meanwhile providing passive methods.
• Abstract（参考訳）: NetflixがNetflix Prize問題を発表して以来、マトリックスのコンプリート問題はさまざまな条件で調査されてきた。 多くの研究がこの分野で行われ、多くの実生活データセットが低ランクの行列で推定できることが発見された。 それ以来、適応信号検出は多くの研究者の注目を集めている。 本稿では, パッシブ方向と適応方向の方向を中心に, 行列補完法のいくつかを考察する。 まず, 凸最適化によるパッシブマトリクス補完法と, 適応信号検出法による第2のアクティブマトリクス補完法について考察する。 伝統的に、多くの機械学習問題は受動的環境で解決される。 しかし、後にアダプティブ・センシング・アルゴリズムが従来のアルゴリズムよりも効率的に動作することが観測された。 したがって、この設定におけるアルゴリズムは広く研究されている。 そこで本論文では, 受動的手法を用いて, 最新の適応行列補完アルゴリズムを提示する。

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)
• Learning the Positions in CountSketch [49.57951567374372]
  本稿では,まずランダムなスケッチ行列に乗じてデータを圧縮し,最適化問題を高速に解くスケッチアルゴリズムについて検討する。 本研究では,ゼロでないエントリの位置を最適化する学習ベースアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-11T07:28:35Z)
• 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)
• 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)
• Lifelong Matrix Completion with Sparsity-Number [0.0]
  マトリックス補完問題はこれまで、様々な適応的および受動的設定下で研究されてきた。 本稿では,スパーシリティ数の概念を用いて,単相カラム空間復元アルゴリズムを提案する。 これらの手法は多相行列回復アルゴリズムと同じくらい効率的であることを示す。
  論文  参考訳（メタデータ） (2022-03-15T04:27:52Z)
• Fast Differentiable Matrix Square Root and Inverse Square Root [65.67315418971688]
  微分可能な行列平方根と逆平方根を計算するためのより効率的な2つの変種を提案する。 前方伝搬には, Matrix Taylor Polynomial (MTP) を用いる方法と, Matrix Pad'e Approximants (MPA) を使用する方法がある。 一連の数値実験により、両方の手法がSVDやNSの繰り返しと比較してかなりスピードアップすることが示された。
  論文  参考訳（メタデータ） (2022-01-29T10:00:35Z)
• Fast Differentiable Matrix Square Root [65.67315418971688]
  微分可能な行列平方根を計算するために、より効率的な2つの変種を提案する。 前方伝播には, Matrix Taylor Polynomial (MTP) を用いる方法がある。 もう1つの方法は Matrix Pad'e Approximants (MPA) を使うことである。
  論文  参考訳（メタデータ） (2022-01-21T12:18:06Z)
• Fundamental Machine Learning Routines as Quantum Algorithms on a Superconducting Quantum Computer [0.0]
  Harrow-Hassidim-Lloydアルゴリズムは、量子デバイス上の線形方程式のシステムを解くことを目的としている。 本稿では,これらの特徴が完全に一致しない場合のアルゴリズムの性能に関する数値的研究を行う。
  論文  参考訳（メタデータ） (2021-09-17T15:22:06Z)
• Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
  オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。 SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。 本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。 ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
  論文  参考訳（メタデータ） (2021-09-13T18:10:52Z)
• 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)

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。