論文の概要: Adaptive Weighted Nonnegative Matrix Factorization for Robust Feature Representation

• arxiv url: http://arxiv.org/abs/2206.03020v1
• Date: Tue, 7 Jun 2022 05:27:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-08 15:42:12.389434
• Title: Adaptive Weighted Nonnegative Matrix Factorization for Robust Feature Representation
• Title（参考訳）: ロバスト特徴表現のための適応重み付き非負行列分解
• Authors: Tingting Shen, Junhang Li, Can Tong, Qiang He, Chen Li, Yudong Yao, Yueyang Teng
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 9.844796520630522
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nonnegative matrix factorization (NMF) has been widely used to dimensionality reduction in machine learning. However, the traditional NMF does not properly handle outliers, so that it is sensitive to noise. In order to improve the robustness of NMF, this paper proposes an adaptive weighted NMF, which introduces weights to emphasize the different importance of each data point, thus the algorithmic sensitivity to noisy data is decreased. It is very different from the existing robust NMFs that use a slow growth similarity measure. Specifically, two strategies are proposed to achieve this: fuzzier weighted technique and entropy weighted regularized technique, and both of them lead to an iterative solution with a simple form. Experimental results showed that new methods have more robust feature representation on several real datasets with noise than exsiting methods.
• Abstract（参考訳）: 非負行列分解(NMF)は、機械学習の次元化に広く用いられている。 しかし、従来のNMFは、ノイズに敏感であるように、外れ値を扱うことができない。 本稿では,nmfのロバスト性を向上させるために,各データポイントの異なる重要度を強調する重み付けを導入する適応重み付けnmfを提案する。 成長類似度を緩やかに測定する既存の頑健なNMFとは大きく異なる。 具体的には、ファジエ重み付き手法とエントロピー重み付き正規化手法の2つの戦略が提案され、どちらも単純な形式で反復解をもたらす。 実験結果から,新しい手法は消音法よりもノイズのある複数の実データに対してより堅牢な特徴表現を有することがわかった。

関連論文リスト

• An optimal pairwise merge algorithm improves the quality and consistency of nonnegative matrix factorization [0.0]
  非負行列分解(NMF)は特徴抽出の鍵となる手法であり、ソース分離に広く用いられている。 ここでは、これらの弱点のいくつかは、高次元の特徴空間でNMFを実行することによって緩和される可能性があることを示す。 提案手法は,非理想的NMF解の局所最適化に有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-16T20:43:42Z)
• Coseparable Nonnegative Tensor Factorization With T-CUR Decomposition [2.013220890731494]
  非負行列因子化(NMF)は、データから意味のある特徴を抽出する重要な教師なし学習手法である。 本研究では,コセプタブルコアを選択するための交互選択法を提案する。 その結果, 分離可能なNMFと比較して, 分離可能なNTFの有効性が示された。
  論文  参考訳（メタデータ） (2024-01-30T09:22:37Z)
• Contaminated Images Recovery by Implementing Non-negative Matrix Factorisation [0.0]
  我々は,従来のNMF,HCNMF,L2,1-NMFアルゴリズムのロバスト性を理論的に検討し,ORLおよび拡張YaleBデータセットのロバスト性を示す実験セットを実行する。 これらの手法の計算コストのため、HCNMFやL2,1-NMFモデルのような最終モデルは、この研究のパラメータに収束しない。
  論文  参考訳（メタデータ） (2022-11-08T13:50:27Z)
• 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)
• 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)
• 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)
• 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。