論文の概要: Regularized Multivariate Functional Principal Component Analysis

• arxiv url: http://arxiv.org/abs/2306.13980v1
• Date: Sat, 24 Jun 2023 14:22:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 17:51:07.594878
• Title: Regularized Multivariate Functional Principal Component Analysis
• Title（参考訳）: 正規化多変量機能主成分分析
• Authors: Hossein Haghbin, Yue Zhao, and Mehdi Maadooliat
• Abstract要約: 本稿では,プライマリコンポーネントの粗さ制御の問題に対処するため,Realized theCA (ReCA) と呼ばれる新しいアプローチを提案する。 提案手法は多変量関数型PCを生成し,データの簡潔かつ解釈可能な表現を提供する。
• 参考スコア（独自算出の注目度）: 3.4238565157486187
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate Functional Principal Component Analysis (MFPCA) is a valuable tool for exploring relationships and identifying shared patterns of variation in multivariate functional data. However, controlling the roughness of the extracted Principal Components (PCs) can be challenging. This paper introduces a novel approach called regularized MFPCA (ReMFPCA) to address this issue and enhance the smoothness and interpretability of the multivariate functional PCs. ReMFPCA incorporates a roughness penalty within a penalized framework, using a parameter vector to regulate the smoothness of each functional variable. The proposed method generates smoothed multivariate functional PCs, providing a concise and interpretable representation of the data. Extensive simulations and real data examples demonstrate the effectiveness of ReMFPCA and its superiority over alternative methods. The proposed approach opens new avenues for analyzing and uncovering relationships in complex multivariate functional datasets.
• Abstract（参考訳）: 多変量関数主成分分析(MFPCA)は,多変量関数データにおける関係の探索と共有パターンの同定に有用なツールである。 しかし,抽出された主成分(pcs)の粗さの制御は困難である。 本稿では, この問題に対処し, 多変量機能PCのスムーズさと解釈可能性を高めるために, 正規化MFPCA (Realized MFPCA) と呼ばれる新しいアプローチを提案する。 ReMFPCAは、各関数変数の滑らかさを制御するためにパラメータベクトルを使用して、ペナル化フレームワークに粗さペナルティを組み込む。 提案手法はスムーズな多変量関数型PCを生成し,データの簡潔かつ解釈可能な表現を提供する。 大規模なシミュレーションと実データ例は、ReMFPCAの有効性と代替手法よりも優れていることを示す。 提案手法は、複雑な多変量関数型データセットにおける関係の分析と発見のための新しい道を開く。

関連論文リスト

• Multiparameter regularization and aggregation in the context of polynomial functional regression [2.1960518939650475]
  本稿では,複数のパラメータの正規化のためのアルゴリズムを導入し,関連するパラメータを扱うための理論的基礎的手法を提案する。 提案手法の有効性は, 人工医療データと実世界の医療データの両方を用いて評価し, 有望な結果が得られた。
  論文  参考訳（メタデータ） (2024-05-07T09:26:20Z)
• UCB-driven Utility Function Search for Multi-objective Reinforcement Learning [75.11267478778295]
  マルチオブジェクト強化学習(MORL)エージェントでは、意思決定行動の最適化を行う。 重みベクトル w でパラメータ化される線型効用関数の場合に焦点を当てる。 学習過程の異なる段階で最も有望な重みベクトルを効率的に探索する上信頼境界に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-05-01T09:34:42Z)
• 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)
• On the estimation of the number of components in multivariate functional principal component analysis [0.0]
  保持する主成分の数の選定を検討するため, 広範囲なシミュレーションを行った。 本研究では,各単変量機能特徴に対する分散説明しきい値のパーセンテージを用いた従来の手法は信頼性が低いことを示す。
  論文  参考訳（メタデータ） (2023-11-08T09:05:42Z)
• ParFam -- (Neural Guided) Symbolic Regression Based on Continuous Global Optimization [14.146976111782466]
  我々は、離散的記号回帰問題を連続的な問題に変換するために、新しいアプローチであるParFamを提案する。 グローバルな手法と組み合わせることで、SRの問題に対処する非常に効果的な手法がもたらされる。 また、ParFamをガイドするために、事前訓練されたトランスフォーマーネットワークDL-ParFamを組み込んだ拡張も提案する。
  論文  参考訳（メタデータ） (2023-10-09T09:01:25Z)
• MFAI: A Scalable Bayesian Matrix Factorization Approach to Leveraging Auxiliary Information [8.42894516984735]
  確率行列因数分解フレームワークに勾配増木木を統合して補助情報(MFAI)を活用することを提案する。 MFAIは自然に、非線形関係を柔軟にモデル化する能力など、勾配を増進した木の健全な特徴を継承する。 MFAIは、変分推論を利用して計算効率が高く、大規模なデータセットにスケーラブルである。
  論文  参考訳（メタデータ） (2023-03-05T03:26:14Z)
• Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
  行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。 我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。 UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-31T12:09:32Z)
• Transformer-based Context Condensation for Boosting Feature Pyramids in Object Detection [77.50110439560152]
  現在の物体検出器は、通常マルチレベル特徴融合(MFF)のための特徴ピラミッド(FP)モジュールを持つ。 我々は,既存のFPがより優れたMFF結果を提供するのに役立つ,新しい,効率的なコンテキストモデリング機構を提案する。 特に,包括的文脈を2種類の表現に分解・凝縮して高効率化を図っている。
  論文  参考訳（メタデータ） (2022-07-14T01:45:03Z)
• Permutation Invariant Policy Optimization for Mean-Field Multi-Agent Reinforcement Learning: A Principled Approach [128.62787284435007]
  本稿では,平均場近似ポリシ最適化(MF-PPO)アルゴリズムを提案する。 我々は,MF-PPOが収束のサブ線形速度で世界的最適政策を達成することを証明した。 特に、置換不変ニューラルアーキテクチャによって引き起こされる誘導バイアスは、MF-PPOが既存の競合より優れていることを示す。
  論文  参考訳（メタデータ） (2021-05-18T04:35:41Z)
• 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)
• A Flexible Optimization Framework for Regularized Matrix-Tensor Factorizations with Linear Couplings [5.079136838868448]
  行列とテンソルの分解を結合する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。 このフレームワークは、様々な制約、損失関数、線形変換との結合の使用を容易にする。
  論文  参考訳（メタデータ） (2020-07-19T06:49:59Z)

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。