論文の概要: Bayesian Matrix Decomposition and Applications
- arxiv url: http://arxiv.org/abs/2302.11337v2
- Date: Sun, 21 Jan 2024 09:58:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 22:15:12.631769
- Title: Bayesian Matrix Decomposition and Applications
- Title(参考訳): ベイズ行列分解とその応用
- Authors: Jun Lu
- Abstract要約: 本書の唯一の目的は、ベイズ行列分解における概念と数学的ツールを自己完結的に紹介することである。
この控えめな背景以外は、開発は自己完結しており、厳密な証明が提供される。
- 参考スコア(独自算出の注目度): 8.034728173797953
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The sole aim of this book is to give a self-contained introduction to
concepts and mathematical tools in Bayesian matrix decomposition in order to
seamlessly introduce matrix decomposition techniques and their applications in
subsequent sections. However, we clearly realize our inability to cover all the
useful and interesting results concerning Bayesian matrix decomposition and
given the paucity of scope to present this discussion, e.g., the separated
analysis of variational inference for conducting the optimization. We refer the
reader to literature in the field of Bayesian analysis for a more detailed
introduction to the related fields.
This book is primarily a summary of purpose, significance of important
Bayesian matrix decomposition methods, e.g., real-valued decomposition,
nonnegative matrix factorization, Bayesian interpolative decomposition, and the
origin and complexity of the methods which shed light on their applications.
The mathematical prerequisite is a first course in statistics and linear
algebra. Other than this modest background, the development is self-contained,
with rigorous proof provided throughout.
- Abstract(参考訳): 本書の唯一の目的は、行列分解技法をシームレスに導入するために、ベイズ行列分解における概念と数学的ツールを自己完結的に導入することである。
しかし,ベイズ行列の分解に関する有用かつ興味深い結果をすべてカバーできないことを明確に認識し,最適化を行うための変分推論の分離解析など,この議論を行うためのスコープのpaucityを与えられた。
ベイズ解析の分野における文献を参照し、関連する分野についてより詳細な解説を行う。
この本は主に目的の要約であり、例えば、実数値分解、非負行列分解、ベイズ補間分解、およびそれらの応用に光を当てた方法の起源と複雑さといった重要なベイズ行列分解法の重要性である。
数学の前提条件は統計学と線型代数の最初のコースである。
この控えめな背景以外は、開発は自己完結しており、厳密な証明が提供される。
関連論文リスト
- Matrix decompositions in Quantum Optics: Takagi/Autonne,
Bloch-Messiah/Euler, Iwasawa, and Williamson [0.0]
量子光学においてよく用いられる4つの重要な行列分解について述べる。
これらの分解の最初の2つは特異値分解の特殊版である。
第三の因子はシンプレクティック群(英語版)の異なる部分群に属する行列の観点で一意的にシンプレクティック行列である。
論文 参考訳(メタデータ) (2024-03-07T15:43:17Z) - Synergistic eigenanalysis of covariance and Hessian matrices for
enhanced binary classification [75.90957645766676]
本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。
我々のアプローチは、クラス間の平均距離を最大化し、クラス内の分散を最小化する能力を確立する形式的な証明によって裏付けられている。
論文 参考訳(メタデータ) (2024-02-14T16:10:42Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳(メタデータ) (2022-10-21T13:19:45Z) - Generalized Leverage Scores: Geometric Interpretation and Applications [15.86621510551207]
我々は、行列の列を特異ベクトルの任意の部分集合に関連付けるためにレバレッジスコアの定義を拡張する。
この結果を用いて、2つのよく知られた問題に対する証明可能な保証付き近似アルゴリズムを設計する。
論文 参考訳(メタデータ) (2022-06-16T10:14:08Z) - Matrix Decomposition and Applications [8.034728173797953]
1954年、Alston S. Householder は行列分解に関する最初の近代的な研究の1つである Principles of Numerical Analysis を出版した。
行列分解は、主にニューラルネットワークに適合するバック伝搬アルゴリズムの開発によって、機械学習のコア技術となった。
論文 参考訳(メタデータ) (2022-01-01T08:13:48Z) - Test Set Sizing Via Random Matrix Theory [91.3755431537592]
本稿ではランダム行列理論の手法を用いて、単純な線形回帰に対して理想的なトレーニング-テストデータ分割を求める。
それは「理想」を整合性計量を満たすものとして定義し、すなわち経験的モデル誤差は実際の測定ノイズである。
本論文は,任意のモデルのトレーニングとテストサイズを,真に最適な方法で解決した最初の論文である。
論文 参考訳(メタデータ) (2021-12-11T13:18:33Z) - Non-PSD Matrix Sketching with Applications to Regression and
Optimization [56.730993511802865]
非PSDおよび2乗根行列の次元削減法を提案する。
複数のダウンストリームタスクにこれらのテクニックをどのように使用できるかを示す。
論文 参考訳(メタデータ) (2021-06-16T04:07:48Z) - Projection techniques to update the truncated SVD of evolving matrices [17.22107982549168]
本稿では,新しい行や列の追加に伴う行列のランク-k truncated Singular Value Decomposition (SVD) の更新の問題について考察する。
提案するフレームワークは純粋に代数的であり、一般的な更新問題をターゲットにしている。
実アプリケーションから得られた行列の結果から,提案アルゴリズムの精度が向上する可能性が示唆された。
論文 参考訳(メタデータ) (2020-10-13T13:46:08Z) - Robust Low-rank Matrix Completion via an Alternating Manifold Proximal
Gradient Continuation Method [47.80060761046752]
ロバスト低ランク行列補完(RMC)は、コンピュータビジョン、信号処理、機械学習アプリケーションのために広く研究されている。
この問題は、部分的に観察された行列を低ランク行列とスパース行列の重ね合わせに分解することを目的とした。
RMCに取り組むために広く用いられるアプローチは、低ランク行列の核ノルム(低ランク性を促進するために)とスパース行列のl1ノルム(空間性を促進するために)を最小化する凸定式化を考えることである。
本稿では、近年のローワークの動機付けについて述べる。
論文 参考訳(メタデータ) (2020-08-18T04:46:22Z) - Eigendecomposition-Free Training of Deep Networks for Linear
Least-Square Problems [107.3868459697569]
我々は、ディープネットワークのトレーニングに固有分解のないアプローチを導入する。
この手法は固有分解の明示的な微分よりもはるかに堅牢であることを示す。
我々の手法は収束特性が良く、最先端の結果が得られます。
論文 参考訳(メタデータ) (2020-04-15T04:29:34Z) - Nonconvex Matrix Completion with Linearly Parameterized Factors [10.163102766021373]
パラメトリック因子化は、部分空間や完了シミュレーションを含む重要な例を示す。
また, 統一的非制約行列最適化法の有効性について述べる。
論文 参考訳(メタデータ) (2020-03-29T22:40:47Z)
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。