論文の概要: Deep Transfer Tensor Factorization for Multi-View Learning
- arxiv url: http://arxiv.org/abs/2302.06133v1
- Date: Mon, 13 Feb 2023 06:41:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 16:24:10.998493
- Title: Deep Transfer Tensor Factorization for Multi-View Learning
- Title（参考訳）: マルチビュー学習のためのDeep Transfer Tensor Factorization
- Authors: Penghao Jiang, Ke Xin, Chunxi Li
- Abstract要約: 本稿では,マルチビュー学習におけるデータ空間問題について考察する。
本稿では,Deep Transfer Tenor Factorization (DTTF) の汎用アーキテクチャを提案する。
実世界のデータセットを用いた実験結果から、DTTF方式はマルチビューレーティング予測における最先端手法よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 0.2062593640149623
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper studies the data sparsity problem in multi-view learning. To solve
data sparsity problem in multiview ratings, we propose a generic architecture
of deep transfer tensor factorization (DTTF) by integrating deep learning and
cross-domain tensor factorization, where the side information is embedded to
provide effective compensation for the tensor sparsity. Then we exhibit
instantiation of our architecture by combining stacked denoising autoencoder
(SDAE) and CANDECOMP/ PARAFAC (CP) tensor factorization in both source and
target domains, where the side information of both users and items is tightly
coupled with the sparse multi-view ratings and the latent factors are learned
based on the joint optimization. We tightly couple the multi-view ratings and
the side information to improve cross-domain tensor factorization based
recommendations. Experimental results on real-world datasets demonstrate that
our DTTF schemes outperform state-of-the-art methods on multi-view rating
predictions.
- Abstract（参考訳）: 本稿では,多視点学習におけるデータ空間問題について考察する。
本研究では,多視点評価におけるデータスパーシティ問題を解決するために,深層学習とクロスドメインテンソル分解を統合したdttf(deep transfer tensor factorization)の汎用アーキテクチャを提案する。
そこで,提案手法では,sdae (stacked denoising autoencoder) とcp (candecomp/ parafac) のテンソル因子分解を,ユーザとアイテムの側情報とスパースマルチビュー評価とを密結合したソース領域とターゲット領域の両方で組み合わせることで,アーキテクチャのインスタンス化を行い,協調最適化により潜在因子を学習する。
クロスドメインテンソル分解に基づくレコメンデーションを改善するために,マルチビュー評価とサイド情報とを密結合する。
実世界のデータセットを用いた実験結果から、DTTF方式はマルチビュー評価予測における最先端手法よりも優れていることが示された。
関連論文リスト
- A Framework for Fine-Tuning LLMs using Heterogeneous Feedback [69.51729152929413]
ヘテロジニアスフィードバックを用いた大規模言語モデル(LLM)の微調整フレームワークを提案する。
まず、不均一なフィードバックデータをSFTやRLHFなどの手法と互換性のある単一の監視形式にまとめる。
次に、この統合されたフィードバックデータセットから、性能向上を得るために高品質で多様なサブセットを抽出する。
論文 参考訳（メタデータ） (2024-08-05T23:20:32Z) - Adaptively Topological Tensor Network for Multi-view Subspace Clustering [36.790637575875635]
マルチビューサブスペースクラスタリングでは、学習した自己表現テンソルを使用して低ランク情報を利用する。
予め定義されたテンソル分解は、あるデータセットの低ランク情報を完全に活用できない。
自己表現テンソルの構造情報からエッジランクを決定することで適応的トポロジカルテンソルネットワーク(ATTN)を提案する。
論文 参考訳（メタデータ） (2023-05-01T08:28:33Z) - Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。
本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。
さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文 参考訳（メタデータ） (2023-03-29T14:54:19Z) - Learning with Multigraph Convolutional Filters [153.20329791008095]
MSPモデルに基づいて情報を処理する階層構造として多グラフ畳み込みニューラルネットワーク(MGNN)を導入する。
また,MGNNにおけるフィルタ係数のトラクタブルな計算手法と,レイヤ間で転送される情報の次元性を低減するための低コストな手法を開発した。
論文 参考訳（メタデータ） (2022-10-28T17:00:50Z) - Coupled Support Tensor Machine Classification for Multimodal
Neuroimaging Data [28.705764174771936]
A Coupled Support Machine (C-STM) は、Advanced Coupled Matrix Factorization (ACMTF) から推定される潜在因子に基づいて構築される。
C-STMは、個別および共有潜在因子と複数のカーネルを結合し、結合行列テンソルデータに対する最大マージンを推定する。
C-STMの分類リスクは最適なベイズリスクに収束することが示され、統計的に一貫した規則となっている。
論文 参考訳（メタデータ） (2022-01-19T16:13:09Z) - MLCTR: A Fast Scalable Coupled Tensor Completion Based on Multi-Layer
Non-Linear Matrix Factorization [3.6978630614152013]
本稿では, テンソル完備問題の組込み学習に焦点をあて, 因子化・完備化のための新しい多層ニューラルネットワークアーキテクチャを提案する。
ネットワークアーキテクチャには、オーバーフィッティングを最小限に抑えるためにブロックを構築する一連の低ランク行列因数分解、非直線性のために各層でインターリーブされた転送関数、ネットワークの深さを減少させるバイパス接続など、多くの利点がある。
提案アルゴリズムはEPSデータに欠落した値を出力するのに非常に効率的である。
論文 参考訳（メタデータ） (2021-09-04T03:08:34Z) - Deep Relational Metric Learning [84.95793654872399]
本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。
我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。
広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
論文 参考訳（メタデータ） (2021-08-23T09:31:18Z) - Tensor-based Intrinsic Subspace Representation Learning for Multi-view
Clustering [18.0093330816895]
本稿では,マルチビュークラスタリングのための新規な固有部分空間表現(TISRL)を提案する。
異なる視点に含まれる特定の情報は、階級保存分解によって完全に調査されていることが分かる。
9つの一般的な実世界のマルチビューデータセットの実験結果は、TISRLの優位性を示している。
論文 参考訳（メタデータ） (2020-10-19T03:36:18Z) - Siloed Federated Learning for Multi-Centric Histopathology Datasets [0.17842332554022694]
本稿では,医学領域における深層学習アーキテクチャのための新しいフェデレーション学習手法を提案する。
局所統計バッチ正規化(BN)層が導入され、協調的に訓練されるが中心に固有のモデルが作られる。
本研究では,Camelyon16およびCamelyon17データセットから抽出した腫瘍組織像の分類法についてベンチマークを行った。
論文 参考訳（メタデータ） (2020-08-17T15:49:30Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z) - Sequential Hierarchical Learning with Distribution Transformation for
Image Super-Resolution [83.70890515772456]
画像SRのための逐次階層学習型超解像ネットワーク(SHSR)を構築した。
特徴のスケール間相関を考察し、階層的情報を段階的に探索するシーケンシャルなマルチスケールブロック(SMB)を考案する。
実験結果から,SHSRは最先端手法に優れた定量的性能と視覚的品質が得られることが示された。
論文 参考訳（メタデータ） (2020-07-19T01:35:53Z)
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。