論文の概要: FastSTMF: Efficient tropical matrix factorization algorithm for sparse data

• arxiv url: http://arxiv.org/abs/2205.06619v1
• Date: Fri, 13 May 2022 13:13:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-16 17:38:38.779259
• Title: FastSTMF: Efficient tropical matrix factorization algorithm for sparse data
• Title（参考訳）: faststmf: スパースデータに対する効率的な熱帯行列分解アルゴリズム
• Authors: Amra Omanovi\'c, Polona Oblak and Toma\v{z} Curk
• Abstract要約: 機械学習における最も一般的な手法の一つである行列分解は、最近、熱帯セミリングを用いた予測タスクに非線形性を導入することで恩恵を受けている。 本研究では,STMF(Sparse Tropical Matrix Factorization)に基づく新しいFastSTMF法を提案する。 我々は,TCGAデータベースからの合成および実遺伝子発現データ上でFastSTMFを評価し,FastSTMFがSTMFの精度と実行時間の両方で優れていることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Matrix factorization, one of the most popular methods in machine learning, has recently benefited from introducing non-linearity in prediction tasks using tropical semiring. The non-linearity enables a better fit to extreme values and distributions, thus discovering high-variance patterns that differ from those found by standard linear algebra. However, the optimization process of various tropical matrix factorization methods is slow. In our work, we propose a new method FastSTMF based on Sparse Tropical Matrix Factorization (STMF), which introduces a novel strategy for updating factor matrices that results in efficient computational performance. We evaluated the efficiency of FastSTMF on synthetic and real gene expression data from the TCGA database, and the results show that FastSTMF outperforms STMF in both accuracy and running time. Compared to NMF, we show that FastSTMF performs better on some datasets and is not prone to overfitting as NMF. This work sets the basis for developing other matrix factorization techniques based on many other semirings using a new proposed optimization process.
• Abstract（参考訳）: 行列分解(matrix factorization)は、機械学習で最も一般的な方法の1つで、最近、熱帯セミリングを用いた予測タスクに非線形性を導入することで恩恵を受けている。 非線形性は極値と分布により適合し、標準線型代数で見られるものとは異なる高分散パターンを見つけることができる。 しかし, 種々の熱帯行列分解法の最適化プロセスは遅い。 本研究では,sparse tropical matrix factorization (stmf) に基づく新しいfaststmf法を提案する。 我々は,TCGAデータベースから合成および実遺伝子発現データに対するFastSTMFの有効性を評価し,FastSTMFがSTMFの精度と実行時間の両方で優れていることを示した。 NMFと比較して、FastSTMFはいくつかのデータセットで性能が良く、NMFとして過度に適合する傾向がある。 この研究は、新しい最適化プロセスを用いて、他の多くの半環に基づく他の行列因数分解手法の開発の基礎を定めている。

関連論文リスト

• Accelerating Matrix Factorization by Dynamic Pruning for Fast Recommendation [0.49399484784577985]
  MF(Matrix Factorization)は、リコメンデーションシステム(RS)のための協調フィルタリングアルゴリズムである。 現在のRSではユーザ/イテムが劇的に増加しているため、MFモデルのトレーニングに要する計算の複雑さは大幅に増大している。 我々は、追加の計算資源を誘導することなく、MFを高速化するアルゴリズム手法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T16:27:33Z)
• Supervised Class-pairwise NMF for Data Representation and Classification [2.7320863258816512]
  非負行列分解(NMF)に基づく手法は、特定のタスクにモデルを適応させるためにコスト関数に新しい用語を追加する。 NMF法は、因子化行列を推定するための教師なしアプローチを採用する。
  論文  参考訳（メタデータ） (2022-09-28T04:33:03Z)
• Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
  行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。 我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。 UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-31T12:09:32Z)
• 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)
• Nonstationary Temporal Matrix Factorization for Multivariate Time Series Forecasting [18.910448998549185]
  非定常的時間的行列分解(NoTMF)モデルを用いて時系列行列全体を再構成し、時間的因子行列の適切に区別されたコピーにベクトル自己回帰過程を課す。 我々は,他のベースラインモデルと比較して,NOTMFの精度と有効性を示す。 また,Uberのトラフィックフローや速度など,実世界の時系列データの非定常性に対処することが重要であることも確認した。
  論文  参考訳（メタデータ） (2022-03-20T21:22:39Z)
• Adversarially-Trained Nonnegative Matrix Factorization [77.34726150561087]
  非負行列ファクタリゼーションの逆学習版を検討する。 我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。 辞書と係数行列を最適化するために, 逆学習に触発された効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-04-10T13:13:17Z)
• 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)
• 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)
• Data embedding and prediction by sparse tropical matrix factorization [0.0]
  本研究では,sparse tropical matrix factorization (stmf) という手法を提案する。 その結果, STMF近似は非負行列分解よりも高い相関性が得られることがわかった。 STMFは、スパースデータにトロピカルセミリングを使用する最初の作品です。
  論文  参考訳（メタデータ） (2020-12-09T18:09:17Z)
• 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)

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。