論文の概要: HeMPPCAT: Mixtures of Probabilistic Principal Component Analysers for Data with Heteroscedastic Noise

• arxiv url: http://arxiv.org/abs/2301.08852v1
• Date: Sat, 21 Jan 2023 02:00:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 16:08:11.047552
• Title: HeMPPCAT: Mixtures of Probabilistic Principal Component Analysers for Data with Heteroscedastic Noise
• Title（参考訳）: HeMPPCAT:確率的主成分分析器のヘテロセダス性雑音に対する混合
• Authors: Alec S. Xu, Laura Balzano, Jeffrey A. Fessler
• Abstract要約: MPPCAは、各混合物のデータサンプルがホモシステマティックノイズを含むと仮定する。 MPPCAの性能は、サンプル間での異方性雑音を伴うデータに対して最適である。 本稿では,一般化予測最大化(GEM)アルゴリズムを用いた確率的PCA手法(HeMPPCAT)のヘテロ代用混合物を提案する。
• 参考スコア（独自算出の注目度）: 28.24679019484073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mixtures of probabilistic principal component analysis (MPPCA) is a well-known mixture model extension of principal component analysis (PCA). Similar to PCA, MPPCA assumes the data samples in each mixture contain homoscedastic noise. However, datasets with heterogeneous noise across samples are becoming increasingly common, as larger datasets are generated by collecting samples from several sources with varying noise profiles. The performance of MPPCA is suboptimal for data with heteroscedastic noise across samples. This paper proposes a heteroscedastic mixtures of probabilistic PCA technique (HeMPPCAT) that uses a generalized expectation-maximization (GEM) algorithm to jointly estimate the unknown underlying factors, means, and noise variances under a heteroscedastic noise setting. Simulation results illustrate the improved factor estimates and clustering accuracies of HeMPPCAT compared to MPPCA.
• Abstract（参考訳）: 確率的主成分分析(MPPCA)の混合は主成分分析(PCA)の混合モデル拡張としてよく知られている。 PCAと同様に、MPPCAは、各混合物のデータサンプルが相似雑音を含むと仮定する。 しかしながら,ノイズプロファイルの異なる複数のソースからサンプルを収集することで,大規模なデータセットが生成されるようになり,サンプル間で異種ノイズが発生するデータセットがますます一般的になっている。 MPPCAの性能は、サンプル間での異方性雑音を伴うデータに対して最適である。 本稿では、一般化予測最大化(GEM)アルゴリズムを用いて異種確率的PCA手法(HeMPPCAT)の異種確率的混合体を提案し、異種確率的雑音条件下での未知の要因、手段、雑音の分散を共同で推定する。 シミュレーションの結果,MPPCAと比較してHMPPCATの係数推定とクラスタリング精度が向上した。

関連論文リスト

• On the Estimation Performance of Generalized Power Method for Heteroscedastic Probabilistic PCA [21.9585534723895]
  我々は,少なくとも幾何的にあるしきい値に束縛されたGPM間の適切な繰り返しを仮定すると,GPMは,ある「相対分解」の残余部分であるしきい値に減少することを示す。 そこで本研究では,PCA手法を用いて,ガウス以下の雑音設定による優れた性能を示す。
  論文  参考訳（メタデータ） (2023-12-06T11:41:17Z)
• ALPCAH: Sample-wise Heteroscedastic PCA with Tail Singular Value Regularization [17.771454131646312]
  主成分分析はデータ次元削減の分野で重要なツールである。 そこで本研究では,サンプル単位の雑音分散を推定できるPCA法を開発した。 これは低ランク成分の分布的な仮定なしで、ノイズの分散が知られていると仮定せずに行われる。
  論文  参考訳（メタデータ） (2023-07-06T03:11:11Z)
• Probabilistic Conformal Prediction Using Conditional Random Samples [73.26753677005331]
  PCPは、不連続な予測セットによって対象変数を推定する予測推論アルゴリズムである。 効率的で、明示的または暗黙的な条件生成モデルと互換性がある。
  論文  参考訳（メタデータ） (2022-06-14T03:58:03Z)
• A Robust and Flexible EM Algorithm for Mixtures of Elliptical Distributions with Missing Data [71.9573352891936]
  本稿では、ノイズや非ガウス的なデータに対するデータ計算の欠如に対処する。 楕円分布と潜在的な欠落データを扱う特性を混合した新しいEMアルゴリズムについて検討した。 合成データの実験的結果は,提案アルゴリズムが外れ値に対して頑健であり,非ガウスデータで使用可能であることを示す。
  論文  参考訳（メタデータ） (2022-01-28T10:01:37Z)
• Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
  本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。 このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。 我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
  論文  参考訳（メタデータ） (2021-10-26T08:54:41Z)
• Noise-Resistant Deep Metric Learning with Probabilistic Instance Filtering [59.286567680389766]
  ノイズラベルは現実世界のデータによく見られ、ディープニューラルネットワークの性能劣化を引き起こす。 DMLのための確率的ランク付けに基づくメモリを用いたインスタンス選択(PRISM)手法を提案する。 PRISMはラベルがクリーンである確率を計算し、潜在的にノイズの多いサンプルをフィルタリングする。
  論文  参考訳（メタデータ） (2021-08-03T12:15:25Z)
• PCA Initialization for Approximate Message Passing in Rotationally Invariant Models [29.039655256171088]
  主成分分析は自然推定器であり、その性能は高次元状態において急激な結果が得られた。 近年,PCAの精度を向上させる可能性のある代替推定器として,AMPアルゴリズムが提案されている。 そこで本研究では,AMPをPCAに初期化する2つの手法を組み合わせて,この推定器の性能を厳密に評価する手法を提案する。
  論文  参考訳（メタデータ） (2021-06-04T09:13:51Z)
• Adaptive Multi-View ICA: Estimation of noise levels for optimal inference [65.94843987207445]
  Adaptive MultiView ICA (AVICA) はノイズの多いICAモデルであり、各ビューは共有された独立したソースと付加的なノイズの線形混合である。 AVICAは、その明示的なMMSE推定器により、他のICA法よりも優れたソース推定値が得られる。 実脳磁図(MEG)データでは,分解がサンプリングノイズに対する感度が低く,ノイズ分散推定が生物学的に妥当であることを示す。
  論文  参考訳（メタデータ） (2021-02-22T13:10:12Z)
• Empirical Bayes PCA in high dimensions [11.806200054814772]
  主成分分析は高次元雑音の異常な現象を示すことが知られている。 主成分の結合分布に対する構造的事前を推定することにより,このノイズを低減できる経験的ベイズPCA法を提案する。
  論文  参考訳（メタデータ） (2020-12-21T20:43:44Z)
• Probabilistic Contrastive Principal Component Analysis [0.5286651840245514]
  比較主成分分析(CPCA)のモデルに基づく代替案を提案する。 CPCAに対するPCPCAのアドバンテージは、解釈性の向上、不確実性定量化、原理推論などである。 遺伝子発現、タンパク質発現、画像のデータセットを用いた一連のシミュレーションとケースコントロール実験によりPCPCAの性能を実証します。
  論文  参考訳（メタデータ） (2020-12-14T22:21:50Z)
• Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
  指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。 従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。 本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
  論文  参考訳（メタデータ） (2020-04-07T04:07:29Z)

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。