論文の概要: Transductive Matrix Completion with Calibration for Multi-Task Learning
- arxiv url: http://arxiv.org/abs/2302.09834v1
- Date: Mon, 20 Feb 2023 08:47:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 16:09:25.916114
- Title: Transductive Matrix Completion with Calibration for Multi-Task Learning
- Title(参考訳): マルチタスク学習のためのキャリブレーションを用いたトランスダクティブマトリクス補完
- Authors: Hengfang Wang, Yasi Zhang, Xiaojun Mao and Zhonglei Wang
- Abstract要約: マルチタスク学習フレームワークにおける特徴量に対する校正制約を組み込んだトランスダクティブ行列補完アルゴリズムを提案する。
提案アルゴリズムは,不完全特徴行列とターゲット行列を同時に復元する。
いくつかの合成データ実験を行い、提案手法が既存の手法より優れていることを示す。
- 参考スコア(独自算出の注目度): 3.7660066212240757
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-task learning has attracted much attention due to growing multi-purpose
research with multiple related data sources. Moreover, transduction with matrix
completion is a useful method in multi-label learning. In this paper, we
propose a transductive matrix completion algorithm that incorporates a
calibration constraint for the features under the multi-task learning
framework. The proposed algorithm recovers the incomplete feature matrix and
target matrix simultaneously. Fortunately, the calibration information improves
the completion results. In particular, we provide a statistical guarantee for
the proposed algorithm, and the theoretical improvement induced by calibration
information is also studied. Moreover, the proposed algorithm enjoys a
sub-linear convergence rate. Several synthetic data experiments are conducted,
which show the proposed algorithm out-performs other existing methods,
especially when the target matrix is associated with the feature matrix in a
nonlinear way.
- Abstract(参考訳): マルチタスク学習は、複数の関連データソースを用いた多目的研究の進展により、多くの注目を集めている。
さらに,行列補完を用いたトランスダクションは,マルチラベル学習に有用である。
本稿では,マルチタスク学習フレームワークにおける特徴量に対する校正制約を組み込んだトランスダクティブ行列補完アルゴリズムを提案する。
提案アルゴリズムは,不完全特徴行列とターゲット行列を同時に復元する。
幸いなことに、校正情報は完了結果を改善する。
特に,提案アルゴリズムに対する統計的保証を提供し,校正情報による理論的改善についても検討した。
さらに,提案アルゴリズムは,部分線形収束率を享受する。
いくつかの合成データ実験を行い、特に目的行列が非線形に特徴行列に関連付けられている場合、提案アルゴリズムは既存の手法よりも優れていることを示す。
関連論文リスト
- Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement
Learning [53.445068584013896]
低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。
低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。
簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
論文 参考訳(メタデータ) (2023-10-10T17:06:41Z) - An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。
このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。
本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-09-30T15:57:14Z) - Deep Unrolling for Nonconvex Robust Principal Component Analysis [75.32013242448151]
我々はロバスト成分分析のためのアルゴリズムを設計する(A)
行列を低主行列とスパース主行列の和に分解する。
論文 参考訳(メタデータ) (2023-07-12T03:48:26Z) - Multi-Task Learning with Prior Information [5.770309971945476]
本稿では,機能間の関係に関する事前知識を利用するマルチタスク学習フレームワークを提案する。
また、各特徴に対して変化する係数に対してペナルティを課し、それらの共通する特徴に類似した係数を持つことを保証します。
論文 参考訳(メタデータ) (2023-01-04T12:48:05Z) - 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) - Bayesian Low-rank Matrix Completion with Dual-graph Embedding: Prior
Analysis and Tuning-free Inference [16.82986562533071]
本稿では,デュアルグラフ正規化に関連するハイパーパラメータを自動的に学習する新しいベイズ学習アルゴリズムを提案する。
行列の低ランク化を促進し、デュアルグラフ情報を同時に符号化する新規な事前設計を行う。
合成および実世界のデータセットを用いた実験は、提案した学習アルゴリズムの最先端性能を示す。
論文 参考訳(メタデータ) (2022-03-18T16:38:30Z) - High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
共分散行列の明示的な構成を避ける新しい推論手法を提案する。
本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。
いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
論文 参考訳(メタデータ) (2022-02-25T16:35:26Z) - Fast Projected Newton-like Method for Precision Matrix Estimation under
Total Positivity [15.023842222803058]
現在のアルゴリズムはブロック座標降下法や近点アルゴリズムを用いて設計されている。
本稿では,2次元投影法に基づく新しいアルゴリズムを提案し,慎重に設計された探索方向と変数分割方式を取り入れた。
合成および実世界のデータセットに対する実験結果から,提案アルゴリズムは最先端の手法と比較して計算効率を著しく向上させることを示した。
論文 参考訳(メタデータ) (2021-12-03T14:39:10Z) - Deep Learning Approach for Matrix Completion Using Manifold Learning [3.04585143845864]
本論文では,線形モデルと非線形モデルを組み合わせたデータ行列の新しい潜在変数モデルを提案する。
データマトリクスのエントリ間の線形および非線形関係の両方に対処するために、新しいディープニューラルネットワークベースの行列補完アルゴリズムを設計します。
論文 参考訳(メタデータ) (2020-12-11T01:01:54Z) - Learning Mixtures of Low-Rank Models [89.39877968115833]
低ランクモデルの計算混合を学習する問題について検討する。
ほぼ最適サンプルを用いて未知の行列を復元することが保証されるアルゴリズムを開発する。
さらに,提案アルゴリズムはランダムノイズに対して確実に安定である。
論文 参考訳(メタデータ) (2020-09-23T17:53:48Z) - Multi-View Spectral Clustering with High-Order Optimal Neighborhood
Laplacian Matrix [57.11971786407279]
マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。
本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。
提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
論文 参考訳(メタデータ) (2020-08-31T12:28:40Z)
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。