論文の概要: An Unconstrained Symmetric Nonnegative Latent Factor Analysis for
Large-scale Undirected Weighted Networks
- arxiv url: http://arxiv.org/abs/2208.04811v1
- Date: Tue, 9 Aug 2022 14:40:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-10 12:58:27.973947
- Title: An Unconstrained Symmetric Nonnegative Latent Factor Analysis for
Large-scale Undirected Weighted Networks
- Title（参考訳）: 大規模非指向性重み付きネットワークにおける非拘束的対称非負遅延係数解析
- Authors: Zhe Xie, Weiling Li, and Yurong Zhong
- Abstract要約: 大規模無方向性重み付きネットワークは通常、ビッグデータ関連の研究分野に見られる。
対称非負の潜伏因子分析モデルはSHDI行列から効率よく潜伏因子を抽出することができる。
本稿では,非拘束対称非負の潜在因子分析モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.22940141855172036
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale undirected weighted networks are usually found in big
data-related research fields. It can naturally be quantified as a symmetric
high-dimensional and incomplete (SHDI) matrix for implementing big data
analysis tasks. A symmetric non-negative latent-factor-analysis (SNL) model is
able to efficiently extract latent factors (LFs) from an SHDI matrix. Yet it
relies on a constraint-combination training scheme, which makes it lack
flexibility. To address this issue, this paper proposes an unconstrained
symmetric nonnegative latent-factor-analysis (USNL) model. Its main idea is
two-fold: 1) The output LFs are separated from the decision parameters via
integrating a nonnegative mapping function into an SNL model; and 2) Stochastic
gradient descent (SGD) is adopted for implementing unconstrained model training
along with ensuring the output LFs nonnegativity. Empirical studies on four
SHDI matrices generated from real big data applications demonstrate that an
USNL model achieves higher prediction accuracy of missing data than an SNL
model, as well as highly competitive computational efficiency.
- Abstract（参考訳）: 大規模無向重み付きネットワークは通常、ビッグデータ関連の研究分野に見られる。
ビッグデータ解析タスクを実装するための対称な高次元および不完全行列として自然に定量化することができる。
対称非負の潜在因子分析(SNL)モデルは、SHDI行列から遅延因子(LF)を効率的に抽出することができる。
しかし、制約結合トレーニングスキームに依存しており、柔軟性を欠いている。
本稿では,非拘束性非負の潜在因子分析(USNL)モデルを提案する。
主な考え方は2つある。
1)出力LFは、非負のマッピング関数をSNLモデルに統合することにより決定パラメータから分離される。
2) 確率勾配降下 (sgd) は, 出力lfs非負性を保証するとともに, 非拘束モデルトレーニングを実施する。
実ビッグデータアプリケーションから生成された4つのSHDI行列に関する実証研究は、USNLモデルがSNLモデルよりも欠落データの予測精度が高く、高い競争力を持つ計算効率を実現することを示した。
関連論文リスト
- Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。
LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。
LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
論文 参考訳（メタデータ） (2024-03-11T05:35:38Z) - Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。
我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
論文 参考訳（メタデータ） (2024-03-08T18:50:19Z) - Self-Supervised Dataset Distillation for Transfer Learning [77.4714995131992]
ラベルなしデータセットを、効率的な自己教師付き学習(SSL)のための小さな合成サンプル群に蒸留する新しい問題を提案する。
両レベル最適化におけるSSL目標に対する合成サンプルの勾配は、データ拡張やマスキングから生じるランダム性から、テキストバイアスを受けていることを最初に証明する。
転送学習を含む様々な応用における本手法の有効性を実証的に検証する。
論文 参考訳（メタデータ） (2023-10-10T10:48:52Z) - A Dynamic Linear Bias Incorporation Scheme for Nonnegative Latent Factor
Analysis [5.029743143286546]
HDIデータは、ソーシャルネットワークサービスシステムのようなビッグデータ関連のアプリケーションでよく見られる。
非負の潜在因子分析(NLFA)モデルはこの問題に対処する上で優位性を持つことが証明されている。
本稿では,動的線形バイアス包含方式を革新的に提案する。
論文 参考訳（メタデータ） (2023-09-19T13:48:26Z) - Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。
MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。
理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
論文 参考訳（メタデータ） (2023-08-26T06:12:33Z) - Multi-constrained Symmetric Nonnegative Latent Factor Analysis for
Accurately Representing Large-scale Undirected Weighted Networks [2.1797442801107056]
ビッグデータ関連アプリケーションでは、Undirected Weighted Network (UWN) が頻繁に発生する。
解析モデルは、UWNの固有対称性を記述するために、その対称性トポロジーを慎重に考慮する必要がある。
本稿では,2次元アイデアを用いた多制約対称性非負遅延要素分析モデルを提案する。
論文 参考訳（メタデータ） (2023-06-06T14:13:16Z) - Proximal Symmetric Non-negative Latent Factor Analysis: A Novel Approach
to Highly-Accurate Representation of Undirected Weighted Networks [2.1797442801107056]
Undirected Weighted Network (UWN) は、ビッグデータ関連のアプリケーションで一般的に見られる。
既存のモデルは本質対称性や低データ密度のモデル化に失敗する。
近軸対称非負の潜在因子分析モデルを提案する。
論文 参考訳（メタデータ） (2023-06-06T13:03:24Z) - A Bayesian Framework on Asymmetric Mixture of Factor Analyser [0.0]
本稿では、スキュー正規(無制限)一般化双曲型(SUNGH)分布のリッチで柔軟なクラスを持つMFAモデルを提案する。
SUNGHファミリーは、様々な方向の歪みをモデル化する柔軟性と、重み付きデータを可能にする。
因子分析モデルを考慮すると、SUNGHファミリーは誤差成分と因子スコアの両方の歪みと重みを許容する。
論文 参考訳（メタデータ） (2022-11-01T20:19:52Z) - Second-order Symmetric Non-negative Latent Factor Analysis [3.1616300532562396]
本稿では,SNLFに効率的な2次法を組み込むことを提案する。
目的は、二階対称ネットワークモデル解析モデルを確立することである。
論文 参考訳（メタデータ） (2022-03-04T01:52:36Z) - Efficient Semi-Implicit Variational Inference [65.07058307271329]
効率的でスケーラブルな半単純外挿 (SIVI) を提案する。
本手法はSIVIの証拠を低勾配値の厳密な推測にマッピングする。
論文 参考訳（メタデータ） (2021-01-15T11:39:09Z) - Semiparametric Nonlinear Bipartite Graph Representation Learning with
Provable Guarantees [106.91654068632882]
半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。
提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。
我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
論文 参考訳（メタデータ） (2020-03-02T16:40:36Z)
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。