論文の概要: Supervised Class-pairwise NMF for Data Representation and Classification
- arxiv url: http://arxiv.org/abs/2209.13831v1
- Date: Wed, 28 Sep 2022 04:33:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-29 17:29:52.817667
- Title: Supervised Class-pairwise NMF for Data Representation and Classification
- Title（参考訳）: データ表現と分類のための教師付きクラスペアワイズNMF
- Authors: Rachid Hedjam, Abdelhamid Abdesselam, Seyed Mohammad Jafar Jalali,
Imran Khan, Samir Brahim Belhaouari
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.7320863258816512
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Various Non-negative Matrix factorization (NMF) based methods add new terms
to the cost function to adapt the model to specific tasks, such as clustering,
or to preserve some structural properties in the reduced space (e.g., local
invariance). The added term is mainly weighted by a hyper-parameter to control
the balance of the overall formula to guide the optimization process towards
the objective. The result is a parameterized NMF method. However, NMF method
adopts unsupervised approaches to estimate the factorizing matrices. Thus, the
ability to perform prediction (e.g. classification) using the new obtained
features is not guaranteed. The objective of this work is to design an
evolutionary framework to learn the hyper-parameter of the parameterized NMF
and estimate the factorizing matrices in a supervised way to be more suitable
for classification problems. Moreover, we claim that applying NMF-based
algorithms separately to different class-pairs instead of applying it once to
the whole dataset improves the effectiveness of the matrix factorization
process. This results in training multiple parameterized NMF algorithms with
different balancing parameter values. A cross-validation combination learning
framework is adopted and a Genetic Algorithm is used to identify the optimal
set of hyper-parameter values. The experiments we conducted on both real and
synthetic datasets demonstrated the effectiveness of the proposed approach.
- Abstract（参考訳）: 様々な非負行列分解法(NMF)に基づく手法は、コスト関数に新しい用語を加えて、クラスタリングのような特定のタスクにモデルを適応させたり、縮小された空間(例えば局所不変性)における構造的特性を保持する。
加算項は主に、最適化過程を目的に向かって導くために全体公式のバランスを制御するハイパーパラメータによって重み付けされる。
その結果,パラメータ化NMF法が得られた。
しかし、NMF法は分解行列を推定するために教師なしアプローチを採用する。
したがって、新たに得られた特徴を用いて予測(例えば分類)を行う能力は保証されない。
本研究の目的は、パラメータ化されたNMFのハイパーパラメータを学習し、分類問題により適した教師付き方法で分解行列を推定する進化的フレームワークを設計することである。
さらに,NMFに基づくアルゴリズムをデータセット全体に一度適用するのではなく,異なるクラスペアに別々に適用することで,行列分解プロセスの有効性が向上すると主張している。
これにより、パラメータ値の異なる複数のパラメータ化NMFアルゴリズムを訓練する。
クロスバリデーションの組み合わせ学習フレームワークを採用し、遺伝的アルゴリズムを用いてハイパーパラメータ値の最適セットを同定する。
実データと合成データの両方を用いて実験を行い,提案手法の有効性を実証した。
関連論文リスト
- Exponentially Convergent Algorithms for Supervised Matrix Factorization [2.1485350418225244]
Supervised Factorization (SMF) は、抽出タスクと分類タスクを集約する機械学習手法である。
本稿では,組合わせ係数空間推定における低ランク推定問題としてSMFを'リフト'する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-18T23:24:02Z) - Stratified-NMF for Heterogeneous Data [8.174199227297514]
本研究では,階層依存統計量と共有トピック行列を同時に学習する改良NMF目標であるStratified-NMFを提案する。
本手法を実世界の3つのデータセットに適用し,その特徴を実証的に検討する。
論文 参考訳（メタデータ） (2023-11-17T00:34:41Z) - Non-Negative Matrix Factorization with Scale Data Structure Preservation [23.31865419578237]
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。
論文 参考訳（メタデータ） (2022-09-22T09:32:18Z) - 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) - 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) - 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) - 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) - Augmentation of the Reconstruction Performance of Fuzzy C-Means with an
Optimized Fuzzification Factor Vector [99.19847674810079]
Fuzzy C-Means (FCM) は情報グラニュラーを構成する最も頻繁に使用される手法の1つである。
本稿では, ファジィ化因子のベクトルを導入することにより, FCMに基づく脱顆粒機構を増強する。
合成データセットと公開データセットの両方で実験が完了し、提案手法が汎用データ再構成手法より優れていることが示された。
論文 参考訳（メタデータ） (2020-04-13T04:17:30Z)
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。