論文の概要: Multi-constrained Symmetric Nonnegative Latent Factor Analysis for
Accurately Representing Large-scale Undirected Weighted Networks
- arxiv url: http://arxiv.org/abs/2306.03911v1
- Date: Tue, 6 Jun 2023 14:13:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 17:46:47.855826
- Title: Multi-constrained Symmetric Nonnegative Latent Factor Analysis for
Accurately Representing Large-scale Undirected Weighted Networks
- Title（参考訳）: 大規模非指向性重み付きネットワークの高精度表現のための多制約対称非負遅延因子解析
- Authors: Yurong Zhong, Zhe Xie, Weiling Li, and Xin Luo
- Abstract要約: ビッグデータ関連アプリケーションでは、Undirected Weighted Network (UWN) が頻繁に発生する。
解析モデルは、UWNの固有対称性を記述するために、その対称性トポロジーを慎重に考慮する必要がある。
本稿では,2次元アイデアを用いた多制約対称性非負遅延要素分析モデルを提案する。
- 参考スコア（独自算出の注目度）: 2.1797442801107056
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An Undirected Weighted Network (UWN) is frequently encountered in a
big-data-related application concerning the complex interactions among numerous
nodes, e.g., a protein interaction network from a bioinformatics application. A
Symmetric High-Dimensional and Incomplete (SHDI) matrix can smoothly illustrate
such an UWN, which contains rich knowledge like node interaction behaviors and
local complexes. To extract desired knowledge from an SHDI matrix, an analysis
model should carefully consider its symmetric-topology for describing an UWN's
intrinsic symmetry. Representation learning to an UWN borrows the success of a
pyramid of symmetry-aware models like a Symmetric Nonnegative Matrix
Factorization (SNMF) model whose objective function utilizes a sole Latent
Factor (LF) matrix for representing SHDI's symmetry rigorously. However, they
suffer from the following drawbacks: 1) their computational complexity is high;
and 2) their modeling strategy narrows their representation features, making
them suffer from low learning ability. Aiming at addressing above critical
issues, this paper proposes a Multi-constrained Symmetric Nonnegative
Latent-factor-analysis (MSNL) model with two-fold ideas: 1) introducing
multi-constraints composed of multiple LF matrices, i.e., inequality and
equality ones into a data-density-oriented objective function for precisely
representing the intrinsic symmetry of an SHDI matrix with broadened feature
space; and 2) implementing an Alternating Direction Method of Multipliers
(ADMM)-incorporated learning scheme for precisely solving such a
multi-constrained model. Empirical studies on three SHDI matrices from a real
bioinformatics or industrial application demonstrate that the proposed MSNL
model achieves stronger representation learning ability to an SHDI matrix than
state-of-the-art models do.
- Abstract（参考訳）: Undirected Weighted Network (UWN) は、バイオインフォマティクスアプリケーションからのタンパク質相互作用ネットワークなど、多数のノード間の複雑な相互作用に関するビッグデータ関連アプリケーションで頻繁に発生する。
対称な高次元および不完全(shdi)行列は、ノード相互作用の振る舞いや局所錯体のような豊富な知識を含む、そのようなuwnをスムーズに表現することができる。
SHDI行列から所望の知識を抽出するために、解析モデルはUWNの固有対称性を記述するための対称性トポロジーを慎重に検討する必要がある。
UWNへの表現学習は、Symmetric Non negative Matrix Factorization (SNMF)モデルのような対称性を意識したモデルのピラミッドの成功を借用している。
しかし、これらは以下の欠点に悩まされる。
1)計算複雑性が高い、そして
2)彼らのモデリング戦略は表現機能を狭め、学習能力の低下に苦しむ。
以上の批判的問題に対処するために,本稿では,2つの概念を持つ多制約対称性非負の潜在因子分析(MSNL)モデルを提案する。
1)複数のLF行列からなる多重制約、すなわち不等式と等式をデータ密度指向の目的関数に導入し、特徴空間を拡大したSHDI行列の固有対称性を正確に表現する。
2) 乗算器(admm)組み込み学習スキームの交互方向法を実装することで, このマルチ制約モデルを正確に解くことができる。
実バイオインフォマティクスや産業応用の3つのSHDI行列に関する実証研究により、提案したMSNLモデルは、最先端のモデルよりもSHDI行列に対してより強力な表現学習能力が得られることを示した。
関連論文リスト
- Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。
CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。
CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
論文 参考訳（メタデータ） (2024-02-05T03:25:04Z) - Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。
MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。
理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
論文 参考訳（メタデータ） (2023-08-26T06:12:33Z) - Proximal Symmetric Non-negative Latent Factor Analysis: A Novel Approach
to Highly-Accurate Representation of Undirected Weighted Networks [2.1797442801107056]
Undirected Weighted Network (UWN) は、ビッグデータ関連のアプリケーションで一般的に見られる。
既存のモデルは本質対称性や低データ密度のモデル化に失敗する。
近軸対称非負の潜在因子分析モデルを提案する。
論文 参考訳（メタデータ） (2023-06-06T13:03:24Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳（メタデータ） (2023-04-28T21:48:31Z) - A Constraints Fusion-induced Symmetric Nonnegative Matrix Factorization
Approach for Community Detection [6.573829734173933]
コミュニティは、非ダイレクトなソーシャルネットワークの基本的で批判的な特徴である。
本稿では,新しいConstraints Fusionによる対称非負行列分解モデルを提案する。
これは、高精度なコミュニティ検出結果を達成する上で、最先端のモデルよりも大幅に優れています。
論文 参考訳（メタデータ） (2023-02-23T15:52:14Z) - 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) - An Unconstrained Symmetric Nonnegative Latent Factor Analysis for
Large-scale Undirected Weighted Networks [0.22940141855172036]
大規模無方向性重み付きネットワークは通常、ビッグデータ関連の研究分野に見られる。
対称非負の潜伏因子分析モデルはSHDI行列から効率よく潜伏因子を抽出することができる。
本稿では,非拘束対称非負の潜在因子分析モデルを提案する。
論文 参考訳（メタデータ） (2022-08-09T14:40:12Z) - A Multi-Metric Latent Factor Model for Analyzing High-Dimensional and
Sparse data [11.800988109180285]
高次元およびスパース(HiDS)行列は、様々なビッグデータ関連アプリケーションにおいて一様である。
現在のLFAベースのモデルは、主に、近似ロス関数用に設計された表現戦略が固定され排他的であるシングルメトリック表現に焦点を当てている。
本稿では,Multi-metric Latent Factor (MMLF) モデルを提案する。
提案するMMLFは, 異なる距離空間の集合から一斉に得られるメリットを享受し, HiDS 行列の包括的かつ偏りのない表現を実現する。
論文 参考訳（メタデータ） (2022-04-16T15:08:00Z) - Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。
FNMFはその重要性に応じて特徴の重みを適応的に学習する。
提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文 参考訳（メタデータ） (2021-03-24T21:17:17Z) - Information-theoretic limits of a multiview low-rank symmetric spiked
matrix model [19.738567726658875]
我々は、高次元推論問題の重要なクラス、すなわちスパイクされた対称行列モデルの一般化を考える。
シングルレター公式の証明を通じて情報理論の限界を厳格に確立する。
我々は最近導入された適応手法を改良し、低ランクモデルの研究に利用できるようにした。
論文 参考訳（メタデータ） (2020-05-16T15:31:07Z) - Semiparametric Nonlinear Bipartite Graph Representation Learning with
Provable Guarantees [106.91654068632882]
半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。
提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。
我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
論文 参考訳（メタデータ） (2020-03-02T16:40:36Z)
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。