論文の概要: Finding Rule-Interpretable Non-Negative Data Representation

• arxiv url: http://arxiv.org/abs/2206.01483v1
• Date: Fri, 3 Jun 2022 10:20:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-06 14:40:07.876589
• Title: Finding Rule-Interpretable Non-Negative Data Representation
• Title（参考訳）: 規則解釈可能な非負データ表現の探索
• Authors: Matej Mihel\v{c}i\'c and Pauli Miettinen
• Abstract要約: ルールベース記述と部分ベース表現の利点を融合したNMF方式を提案する。 提案手法は、集中型埋め込みや教師付きマルチラベルNMFの実行といったタスクにおいて、多くの利点を提供する。
• 参考スコア（独自算出の注目度）: 2.817412580574242
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Non-negative Matrix Factorization (NMF) is an intensively used technique for obtaining parts-based, lower dimensional and non-negative representation of non-negative data. It is a popular method in different research fields. Scientists performing research in the fields of biology, medicine and pharmacy often prefer NMF over other dimensionality reduction approaches (such as PCA) because the non-negativity of the approach naturally fits the characteristics of the domain problem and its result is easier to analyze and understand. Despite these advantages, it still can be hard to get exact characterization and interpretation of the NMF's resulting latent factors due to their numerical nature. On the other hand, rule-based approaches are often considered more interpretable but lack the parts-based interpretation. In this work, we present a version of the NMF approach that merges rule-based descriptions with advantages of part-based representation offered by the NMF approach. Given the numerical input data with non-negative entries and a set of rules with high entity coverage, the approach creates the lower-dimensional non-negative representation of the input data in such a way that its factors are described by the appropriate subset of the input rules. In addition to revealing important attributes for latent factors, it allows analyzing relations between these attributes and provides the exact numerical intervals or categorical values they take. The proposed approach provides numerous advantages in tasks such as focused embedding or performing supervised multi-label NMF.
• Abstract（参考訳）: 非負行列分解 (non-negative matrix factorization, nmf) は、非負データの部分ベース、低次元、非負表現を得るための集中的に使用される手法である。 様々な研究分野において一般的な方法である。 生物学、医学、薬学の分野で研究を行う科学者は、アプローチの非負性性がドメインの問題の特徴に自然に適合し、その結果を解析し理解しやすくするため、他の次元還元アプローチ(PCAなど)よりもNMFを好むことが多い。 これらの利点にもかかわらず、NMFの数値的性質によって生じる潜在因子の正確な特徴と解釈を得るのは難しい。 一方、ルールベースのアプローチは、しばしばより解釈可能であると考えられているが、部品ベースの解釈が欠如している。 本研究では,ルールベース記述とNMFアプローチが提供する部分ベース表現の利点を融合したNMFアプローチを提案する。 非負のエントリと高いエンティティカバレッジを持つ一連のルールを持つ数値入力データを考えると、このアプローチは入力データの低次元非負表現を、その要素が入力ルールの適切なサブセットによって記述されるように生成する。 潜在要因の重要な属性を明らかにすることに加えて、これらの属性間の関係を分析し、それらが持つ正確な数値間隔またはカテゴリー値を提供する。 提案手法は集中埋め込みや教師付きマルチラベルnmfの実行といったタスクにおいて多くの利点を提供する。

関連論文リスト

• Adversarial Generative NMF for Single Channel Source Separation [0.0]
  非負行列分解(NMF)によるソース分離問題にこの考え方を適用する。 画像と音声の分離に関する数値実験において、これは再構成された信号の明確な改善につながることを示す。
  論文  参考訳（メタデータ） (2023-04-24T09:26:43Z)
• 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)
• Organic Priors in Non-Rigid Structure from Motion [102.41675461817177]
  本稿では,従来の非剛体構造における有機前駆体(NRSfM)の利用を提唱する。 この論文の主な貢献は、NRSfMを解くために、そのような有機的な先駆体を効果的に活用できる、シンプルで方法論的で実践的な方法を提案することである。
  論文  参考訳（メタデータ） (2022-07-13T15:07:50Z)
• Adaptive Weighted Nonnegative Matrix Factorization for Robust Feature Representation [9.844796520630522]
  非負行列分解(NMF)は、機械学習における次元の減少に広く用いられている。 従来のNMFは、ノイズに敏感であるように、アウトリーチを適切に扱わない。 本稿では,各データポイントの異なる重要性を強調するため,重み付き適応重み付きNMFを提案する。
  論文  参考訳（メタデータ） (2022-06-07T05:27:08Z)
• 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)
• Initialization for Nonnegative Matrix Factorization: a Comprehensive Review [0.0]
  非負の因子化(NMF)は、非負のデータ行列から非負の基底を抽出することで有意なデータを表現するための一般的な方法となっている。 それぞれの手法の性能を示す数値的な結果を示す。
  論文  参考訳（メタデータ） (2021-09-08T18:49:41Z)
• 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)
• Entropy Minimizing Matrix Factorization [102.26446204624885]
  NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。 本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。 通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
  論文  参考訳（メタデータ） (2021-03-24T21:08:43Z)
• Nonnegative Matrix Factorization with Zellner Penalty [0.0]
  非負行列ファクタリゼーション(NMF)は、非負データ行列を部分ベース、低次元、線形表現に分解する比較的新しい教師なし学習アルゴリズムである。 本稿では,データ依存的制約を用いたZellner non negative matrix factorization (ZNMF)を提案する。 ケンブリッジ ORL データベースを用いて,ZNMF アルゴリズムと他のよく知られた制約付きNMF アルゴリズムの顔認識性能を評価する。
  論文  参考訳（メタデータ） (2020-12-07T18:11:02Z)
• Algorithms for Nonnegative Matrix Factorization with the Kullback-Leibler Divergence [20.671178429005973]
  Kullback-Leibler (KL) の発散は、非負行列分解(NMF)の最も広く使われている目的関数の1つである。 目的関数の非増加を保証する3つの新しいアルゴリズムを提案する。 我々は、KL NMFアルゴリズムの性能に関する総合的な画像を提供するために、広範な数値実験を行う。
  論文  参考訳（メタデータ） (2020-10-05T11:51:39Z)
• 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。