論文の概要: Under-Counted Tensor Completion with Neural Incorporation of Attributes

• arxiv url: http://arxiv.org/abs/2306.03273v1
• Date: Mon, 5 Jun 2023 21:45:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-07 18:12:27.114096
• Title: Under-Counted Tensor Completion with Neural Incorporation of Attributes
• Title（参考訳）: 属性のニューラルインクルージョンによるアンダーカウンタテンソルコンプリート
• Authors: Shahana Ibrahim, Xiao Fu, Rebecca Hutchinson, Eugene Seo
• Abstract要約: Under-counted tensor completion (UC-TC) は、多くのデータ分析タスクに向いている。 低ランクポアソンテンソルモデルと表現的未知の非線形側情報抽出器を提案する。 モデルを復元するために,低ランクテンソル補完とニューラルネットワーク学習の併用アルゴリズムが設計されている。 我々の知る限りでは、この結果はまず、未集計マルチアスペクトデータ補完の理論的サポートを提供するものである。
• 参考スコア（独自算出の注目度）: 18.21165063142917
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Systematic under-counting effects are observed in data collected across many disciplines, e.g., epidemiology and ecology. Under-counted tensor completion (UC-TC) is well-motivated for many data analytics tasks, e.g., inferring the case numbers of infectious diseases at unobserved locations from under-counted case numbers in neighboring regions. However, existing methods for similar problems often lack supports in theory, making it hard to understand the underlying principles and conditions beyond empirical successes. In this work, a low-rank Poisson tensor model with an expressive unknown nonlinear side information extractor is proposed for under-counted multi-aspect data. A joint low-rank tensor completion and neural network learning algorithm is designed to recover the model. Moreover, the UC-TC formulation is supported by theoretical analysis showing that the fully counted entries of the tensor and each entry's under-counting probability can be provably recovered from partial observations -- under reasonable conditions. To our best knowledge, the result is the first to offer theoretical supports for under-counted multi-aspect data completion. Simulations and real-data experiments corroborate the theoretical claims.
• Abstract（参考訳）: 体系的なアンダーカウント効果は、疫学や生態学など、多くの分野にまたがるデータで観察される。 Under-counted tensor completion (UC-TC) は、多くのデータ分析タスク(例えば、近隣地域のUnder-counted case number から未観測の場所での感染症のケース数を推定するなど)において、うまく動機付けられている。 しかし、同様の問題に対する既存の手法は理論上の支援が欠如しており、経験的な成功以上の基本的な原理や条件を理解することは困難である。 本研究では, 正規化されていない非線形側情報抽出器を用いた低ランクポアソンテンソルモデルを提案する。 モデルを復元するために,低ランクテンソル補完とニューラルネットワーク学習の併用アルゴリズムが設計された。 さらに、UC-TCの定式化は、テンソルの完全カウントされたエントリと各エントリのアンダーカウント確率が、合理的な条件下で部分的な観測から確実に回復可能であることを示す理論的解析によって支持される。 我々の知る限りでは、この結果はまず、未集計マルチアスペクトデータ補完の理論的サポートを提供するものである。 シミュレーションと実データ実験は理論的な主張を裏付けるものである。

関連論文リスト

• Understanding Forgetting in Continual Learning with Linear Regression [21.8755265936716]
  連続的な学習は、複数のタスクを逐次学習することに焦点を当てており、近年大きな注目を集めている。 線形回帰モデルにおいて, 線形回帰モデルをグラディエント・ディッセンス(Gradient Descent)を用いて, 忘れることの一般的な理論的解析を行う。 十分なデータサイズを考慮に入れれば、集団データ共分散行列の固有値が大きいタスクが後で訓練されるようなシーケンス内のタスクの配置は、忘れが増す傾向にあることを実証する。
  論文  参考訳（メタデータ） (2024-05-27T18:33:37Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• Deep Learning With DAGs [5.199807441687141]
  我々は、有向非巡回グラフ(DAG)として表される理論を実証的に評価するために、因果グラフ正規化フロー(cGNFs)を導入する。 従来のアプローチとは異なり、cGNFsはアナリストが提供したDAGに従ってデータの完全な関節分布をモデル化する。
  論文  参考訳（メタデータ） (2024-01-12T19:35:54Z)
• On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
  我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。 アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
  論文  参考訳（メタデータ） (2023-12-13T02:11:07Z)
• Joint Edge-Model Sparse Learning is Provably Efficient for Graph Neural Networks [89.28881869440433]
  本稿では,グラフニューラルネットワーク(GNN)における結合エッジモデルスパース学習の理論的特徴について述べる。 解析学的には、重要なノードをサンプリングし、最小のマグニチュードでプルーニングニューロンをサンプリングすることで、サンプルの複雑さを減らし、テスト精度を損なうことなく収束を改善することができる。
  論文  参考訳（メタデータ） (2023-02-06T16:54:20Z)
• Transfer learning for tensor Gaussian graphical models [0.6767885381740952]
  本稿では,情報補助ドメインをフル活用したテンソルGGMの転送学習フレームワークを提案する。 理論的解析により,推定誤差と変数選択の整合性を大幅に改善した。
  論文  参考訳（メタデータ） (2022-11-17T07:53:07Z)
• Generalization Guarantee of Training Graph Convolutional Networks with Graph Topology Sampling [83.77955213766896]
  グラフ畳み込みネットワーク(GCN)は近年,グラフ構造化データの学習において大きな成功を収めている。 スケーラビリティ問題に対処するため、Gsの学習におけるメモリと計算コストを削減するため、グラフトポロジサンプリングが提案されている。 本稿では,3層GCNのトレーニング(最大)におけるグラフトポロジサンプリングの最初の理論的正当性について述べる。
  論文  参考訳（メタデータ） (2022-07-07T21:25:55Z)
• Learnability of Competitive Threshold Models [11.005966612053262]
  理論的観点から,競合しきい値モデルの学習可能性について検討する。 ニューラルネットワークによって競合しきい値モデルをシームレスにシミュレートする方法を実証する。
  論文  参考訳（メタデータ） (2022-05-08T01:11:51Z)
• Generalization of Neural Combinatorial Solvers Through the Lens of Adversarial Robustness [68.97830259849086]
  ほとんどのデータセットは単純なサブプロブレムのみをキャプチャし、おそらくは突発的な特徴に悩まされる。 本研究では, 局所的な一般化特性である対向ロバスト性について検討し, 厳密でモデル固有な例と突発的な特徴を明らかにする。 他のアプリケーションとは異なり、摂動モデルは知覚できないという主観的な概念に基づいて設計されているため、摂動モデルは効率的かつ健全である。 驚くべきことに、そのような摂動によって、十分に表現力のあるニューラルソルバは、教師あり学習で共通する正確さと悪質さのトレードオフの限界に悩まされない。
  論文  参考訳（メタデータ） (2021-10-21T07:28:11Z)
• The Interplay Between Implicit Bias and Benign Overfitting in Two-Layer Linear Networks [51.1848572349154]
  ノイズの多いデータに完全に適合するニューラルネットワークモデルは、見当たらないテストデータにうまく一般化できる。 我々は,2層線形ニューラルネットワークを2乗損失の勾配流で補間し,余剰リスクを導出する。
  論文  参考訳（メタデータ） (2021-08-25T22:01:01Z)
• Learning and Generalization in Overparameterized Normalizing Flows [13.074242275886977]
  正規化フロー(NF)は教師なし学習において重要なモデルのクラスである。 既存のNFモデルの大部分を含むNFのクラスでは、過度なパラメトリゼーションがトレーニングを損なうという理論的および実証的な証拠を提供する。 ネットワークが過度にパラメータ化されている場合、最小限の仮定の下で、制約のないNFが妥当なデータ分布を効率的に学習できることを実証する。
  論文  参考訳（メタデータ） (2021-06-19T17:11:42Z)

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。