論文の概要: Finding Rule-Interpretable Non-Negative Data Representation
- arxiv url: http://arxiv.org/abs/2206.01483v2
- Date: Mon, 03 Feb 2025 18:24:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-06 14:24:44.034333
- 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 Mihelčić, 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。
潜在因子、それらの相互作用と値範囲の重要な属性を明らかにすることに加えて、このアプローチは集中的な埋め込みを可能にする。
- 参考スコア(独自算出の注目度): 1.2430809884830318
- License:
- Abstract: Non-negative Matrix Factorization (NMF) is an intensively used technique for obtaining parts-based, lower dimensional and non-negative representation. Researchers in biology, medicine, pharmacy and other fields 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 results are easier to analyze and understand. Despite these advantages, obtaining exact characterization and interpretation of the NMF's latent factors can still be difficult due to their numerical nature. Rule-based approaches, such as rule mining, conceptual clustering, subgroup discovery and redescription mining, are often considered more interpretable but lack lower-dimensional representation of the data. We present a version of the NMF approach that merges rule-based descriptions with advantages of part-based representation offered by the NMF. 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, their interaction and value ranges, this approach allows performing focused embedding potentially using multiple overlapping target labels.
- Abstract(参考訳): 非負行列因子化(Non- negative Matrix Factorization、NMF)は、部分ベース、低次元、非負の表現を得るための集中的に用いられる技法である。
生物学、医学、薬学、その他の分野の研究者は、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、その結果が分析しやすく理解しやすいため、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の潜伏因子の正確な特徴と解釈を得ることは、その数値的性質のために依然として困難である。
ルールに基づくアプローチ(ルールマイニング、概念的クラスタリング、サブグループ発見、再記述マイニング)は、しばしば解釈可能であるが、データの低次元表現が欠如している。
ルールベース記述とNMFが提供する部分ベース表現の利点を融合したNMF方式を提案する。
非負のエントリを持つ数値的な入力データと、高いエンティティカバレッジを持つルールの集合を考えると、このアプローチは入力データの低次元の非負の表現を、その要素が入力規則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。
遅延因子、相互作用、値範囲の重要な属性を明らかにすることに加えて、このアプローチは複数の重なり合うターゲットラベルを使用して集中的な埋め込みを実行することができる。
関連論文リスト
- Stratified Non-Negative Tensor Factorization [45.439685980328605]
Stratified-NTF は Stratified-NMF よりも低いメモリ要件で解釈可能なトピックを識別できる。
乗法更新ルールを開発し,テキストおよび画像データ上での手法を実証する。
論文 参考訳(メタデータ) (2024-11-27T23:16:00Z) - Towards a Fairer Non-negative Matrix Factorization [6.069820038869034]
非負行列因子化(NMF)がデータ群の表現に偏りをもたらすかを検討する。
異なるグループに対する最大再構成損失を最小化するFairer-NMFという手法を提案する。
論文 参考訳(メタデータ) (2024-11-14T23:34:38Z) - 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) - 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) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳(メタデータ) (2019-11-29T19:17:58Z)
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。