論文の概要: Non-Negative Matrix Factorization with Scale Data Structure Preservation
- arxiv url: http://arxiv.org/abs/2209.10881v1
- Date: Thu, 22 Sep 2022 09:32:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-23 13:50:27.008337
- Title: Non-Negative Matrix Factorization with Scale Data Structure Preservation
- Title(参考訳): スケールデータ構造保存による非負行列分解
- Authors: Rachid Hedjam, Abdelhamid Abdesselam, Abderrahmane Rahiche, Mohamed
Cheriet
- Abstract要約: 本稿では,データ表現と次元縮小のために設計された非負行列分解法に属するモデルについて述べる。
この考え方は、NMFコスト関数に、元のデータポイントと変換されたデータポイントのペアの類似度行列のスケール関係を課すペナルティ項を追加することである。
提案したクラスタリングアルゴリズムは,既存のNMFベースのアルゴリズムや,実際のデータセットに適用した場合の多様体学習ベースのアルゴリズムと比較される。
- 参考スコア(独自算出の注目度): 23.31865419578237
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The model described in this paper belongs to the family of non-negative
matrix factorization methods designed for data representation and dimension
reduction. In addition to preserving the data positivity property, it aims also
to preserve the structure of data during matrix factorization. The idea is to
add, to the NMF cost function, a penalty term to impose a scale relationship
between the pairwise similarity matrices of the original and transformed data
points. The solution of the new model involves deriving a new parametrized
update scheme for the coefficient matrix, which makes it possible to improve
the quality of reduced data when used for clustering and classification. The
proposed clustering algorithm is compared to some existing NMF-based algorithms
and to some manifold learning-based algorithms when applied to some real-life
datasets. The obtained results show the effectiveness of the proposed
algorithm.
- Abstract(参考訳): 本稿では,データ表現と次元縮小のために設計された非負行列分解法に属するモデルについて述べる。
データポジニティ特性の保存に加えて、行列因子化の間、データの構造の保存も目標としている。
この考え方は、NMFコスト関数に、元のデータポイントと変換されたデータポイントのペアの類似度行列のスケール関係を課すペナルティ項を追加することである。
新しいモデルの解決策は、係数行列の新しいパラメータ化された更新スキームを導出することであり、クラスタリングや分類に使用する場合の削減データの品質を向上させることができる。
提案手法は, 既存のnmfに基づくアルゴリズムと, 実時間データセットに適用した多様体学習に基づくアルゴリズムと比較した。
その結果,提案アルゴリズムの有効性が示された。
関連論文リスト
- Input Guided Multiple Deconstruction Single Reconstruction neural network models for Matrix Factorization [0.0]
本稿では,非負行列因子化(NMF)の概念に基づく2つのモデルを開発する。
彼らは、一対の係数行列を定め、その低階近似を発見して高次元データを扱うことを目指している。
次元削減の必要性を正当化する原データよりも低次元埋め込みの方が優れていることが確認された。
論文 参考訳(メタデータ) (2024-05-22T08:41:32Z) - Accelerated structured matrix factorization [0.0]
行列分解は、複雑な高次元データにおいて、実際の信号は一般に低次元構造にあるという考え方を利用する。
ベイジアン縮退を先取りして,高次元行列分解のための計算に便利な手法を考案する。
行と列のエンティティ間の依存性は、要素内でフレキシブルなスパースパターンを誘導することによってモデル化される。
論文 参考訳(メタデータ) (2022-12-13T11:35:01Z) - 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) - Comparative Study of Inference Methods for Interpolative Decomposition [4.913248451323163]
補間分解(ID)学習のための自動関係決定(ARD)を用いた確率モデルを提案する。
CCLE $EC50$, CCLE $IC50$, Gene Body Methylation, promoteder Methylation datasets with different size, and dimensions。
論文 参考訳(メタデータ) (2022-06-29T11:37:05Z) - 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) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳(メタデータ) (2020-12-29T04:08:38Z) - Nonnegative Matrix Factorization with Toeplitz Penalty [0.0]
NMF(Nonnegative Matrix Factorization)は、データマトリックスの線形、部分ベースの近似を生成する教師なし学習アルゴリズムである。
非データ依存の補助制約を利用した新しいNMFアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-12-07T13:49:23Z) - Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。
我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文 参考訳(メタデータ) (2020-07-13T03:27:45Z) - Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。
前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
論文 参考訳(メタデータ) (2020-05-19T05:54:14Z)
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。