論文の概要: Graph-Based Matrix Completion Applied to Weather Data

• arxiv url: http://arxiv.org/abs/2306.08627v1
• Date: Wed, 14 Jun 2023 16:41:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 18:10:32.839424
• Title: Graph-Based Matrix Completion Applied to Weather Data
• Title（参考訳）: 気象データへのグラフベースマトリックス補完の適用
• Authors: Beno\^it Loucheur, P.-A. Absil, Michel Journ\'ee
• Abstract要約: 本稿では,行列の列/行エンティティ間の情報を重み付きグラフとして利用できる状況を考える。 本稿では,気象観測所が記録した気温データに欠落した項目を完備する問題に対処する。 適切な空間グラフと時間グラフは、グラフ正規化低ランク行列補完法により得られた完了の精度を著しく向上させることができることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-rank matrix completion is the task of recovering unknown entries of a matrix by assuming that the true matrix admits a good low-rank approximation. Sometimes additional information about the variables is known, and incorporating this information into a matrix completion model can lead to a better completion quality. We consider the situation where information between the column/row entities of the matrix is available as a weighted graph. In this framework, we address the problem of completing missing entries in air temperature data recorded by weather stations. We construct test sets by holding back data at locations that mimic real-life gaps in weather data. On such test sets, we show that adequate spatial and temporal graphs can significantly improve the accuracy of the completion obtained by graph-regularized low-rank matrix completion methods.
• Abstract（参考訳）: 低ランク行列完備化は、真の行列が良好な低ランク近似を持つことを仮定して、行列の未知のエントリを復元するタスクである。 時には変数に関する追加情報が知られており、この情報を行列補完モデルに組み込むことで、より良い完成性が得られる。 本稿では,行列の列/行エンティティ間の情報を重み付きグラフとして利用できる状況を考える。 本稿では,気象観測所が記録した気温データの欠落エントリを完了させる問題に対処する。 気象データの実際のギャップを模倣した場所にデータを格納してテストセットを構築する。 これらのテストセットにおいて,適切な空間的および時間的グラフは,グラフ正規化低ランク行列補完法によって得られる完了の精度を著しく向上できることを示す。

関連論文リスト

• Causal Adjacency Learning for Spatiotemporal Prediction Over Graphs [7.688710241319341]
  グラフ上の因果関係を発見するための因果関係学習(CAL)手法を提案する。 その結果,提案する隣接行列は因果関係を捉えることができることがわかった。
  論文  参考訳（メタデータ） (2024-11-25T07:05:27Z)
• Generalized Low-Rank Matrix Completion Model with Overlapping Group Error Representation [3.457484690890009]
  低ランク行列補完(LRMC)技術は低レベル視覚タスクにおいて顕著な成果を上げている。 LRMCでは実世界の行列データが低ランクであるという前提がある。 実行列データは厳密な低ランク特性を満たさないが, 上記の行列回復法には深刻な課題があることは間違いない。
  論文  参考訳（メタデータ） (2024-07-11T14:01:57Z)
• Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
  本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。 提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
  論文  参考訳（メタデータ） (2024-01-12T17:57:07Z)
• Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
  グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。 我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。 グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
  論文  参考訳（メタデータ） (2023-11-29T12:48:33Z)
• Graph Polynomial Convolution Models for Node Classification of Non-Homophilous Graphs [52.52570805621925]
  本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。 得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。 提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
  論文  参考訳（メタデータ） (2022-09-12T04:46:55Z)
• Partial Matrix Completion [29.68420094716923]
  この研究は、部分行列完備化の新しい枠組みを確立する。 目標は、高い信頼性で完成できるエントリの大規模なサブセットを特定することである。 本稿では,以下の証明可能な保証付き効率的なアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:47:20Z)
• Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
  我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。 数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
  論文  参考訳（メタデータ） (2021-04-13T23:21:01Z)
• Multilayer Clustered Graph Learning [66.94201299553336]
  我々は、観測された層を代表グラフに適切に集約するために、データ忠実度用語として対照的な損失を用いる。 実験により,本手法がクラスタクラスタw.r.tに繋がることが示された。 クラスタリング問題を解くためのクラスタリングアルゴリズムを学習する。
  論文  参考訳（メタデータ） (2020-10-29T09:58:02Z)
• Learnable Graph-regularization for Matrix Decomposition [5.9394103049943485]
  本稿では,行列分解のための学習可能なグラフ正規化モデルを提案する。 グラフ正規化法と確率行列分解モデルの間のブリッジを構築する。 スパース精度行列推定により、2つのグラフィカル構造をリアルタイムで反復的に学習する。
  論文  参考訳（メタデータ） (2020-10-16T17:12:39Z)
• Online high rank matrix completion [39.570686604641836]
  行列補完の最近の進歩は、低次元(非線形)潜在構造を利用して、フルランク行列におけるデータ計算を可能にする。 我々は,高階行列補完のための新しいモデルと,そのモデルとサンプル外拡張に適合するバッチおよびオンライン手法を開発した。
  論文  参考訳（メタデータ） (2020-02-20T18:31:04Z)
• Relative Error Bound Analysis for Nuclear Norm Regularized Matrix Completion [101.83262280224729]
  我々は、原子核ノルム正規化行列補完に対する相対誤差を開発する。 未知行列の最適低ランク近似を回復するための相対上界を導出する。
  論文  参考訳（メタデータ） (2015-04-26T13:12:16Z)

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。