論文の概要: A Dual Formulation for Probabilistic Principal Component Analysis
- arxiv url: http://arxiv.org/abs/2307.10078v1
- Date: Wed, 19 Jul 2023 15:51:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 13:28:06.100943
- Title: A Dual Formulation for Probabilistic Principal Component Analysis
- Title(参考訳): 確率的主成分分析のための双対定式化
- Authors: Henri De Plaen, Johan A. K. Suykens
- Abstract要約: ヒルベルト空間における確率的主成分分析を特徴付ける方法を示し、最適解が双対空間における表現をどう受け入れるかを示す。
また、Kernelのプリンシパルコンポーネント分析をエングローブして、おもちゃと実際のデータセットの開発を例示する。
- 参考スコア(独自算出の注目度): 15.518613078946771
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we characterize Probabilistic Principal Component Analysis in
Hilbert spaces and demonstrate how the optimal solution admits a representation
in dual space. This allows us to develop a generative framework for kernel
methods. Furthermore, we show how it englobes Kernel Principal Component
Analysis and illustrate its working on a toy and a real dataset.
- Abstract(参考訳): 本稿では、ヒルベルト空間における確率的主成分分析を特徴付け、その最適解が双対空間における表現をどのように認めるかを示す。
これにより、カーネルメソッド生成フレームワークの開発が可能になります。
さらに,カーネル主成分分析を包含し,おもちゃや実際のデータセット上での動作を例示する。
関連論文リスト
- Fast Dual Subgradient Optimization of the Integrated Transportation
Distance Between Stochastic Kernels [1.5229257192293204]
統合輸送距離であるワッサーシュタイン計量の一般化はマルコフ系の確率核間の新しい距離を確立する。
この計量は効率的な近似法の基盤として機能し、元のシステムのカーネルをカーネルに置き換え、限られた濃度で個別にサポートできるようにする。
計算コストのかかる行列演算を必要とせずに、これらの近似カーネルを迅速かつ効率的に構築できる特殊二元アルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-12-03T15:44:17Z) - Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。
線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
論文 参考訳(メタデータ) (2022-04-20T21:15:38Z) - On the Benefits of Large Learning Rates for Kernel Methods [110.03020563291788]
本稿では,カーネル手法のコンテキストにおいて,現象を正確に特徴付けることができることを示す。
分離可能なヒルベルト空間における2次対象の最小化を考慮し、早期停止の場合、学習速度の選択が得られた解のスペクトル分解に影響を及ぼすことを示す。
論文 参考訳(メタデータ) (2022-02-28T13:01:04Z) - Learning primal-dual sparse kernel machines [10.230121160034674]
伝統的に、カーネル法は、学習問題の解は再生されたカーネルヒルベルト空間(RKHS)にマッピングされたデータの線形結合として得られるという代表者定理に依存している。
本稿では,RKHS の要素が必ずしもトレーニングセットの要素に対応するとは限らない元データ空間において,前像分解を持つ解を求めることを提案する。
勾配に基づく手法は入力空間のスパース要素の最適化に重きを置き、原始空間と双対空間の両方でカーネルベースのモデルを得ることができる。
論文 参考訳(メタデータ) (2021-08-27T09:38:53Z) - Pure Exploration in Kernel and Neural Bandits [90.23165420559664]
我々は、特徴表現の次元が腕の数よりもはるかに大きい帯域における純粋な探索について研究する。
そこで本研究では,各アームの特徴表現を低次元空間に適応的に埋め込む手法を提案する。
論文 参考訳(メタデータ) (2021-06-22T19:51:59Z) - Transforming Feature Space to Interpret Machine Learning Models [91.62936410696409]
この貢献は、特徴空間変換のレンズを通して機械学習モデルを解釈する新しいアプローチを提案する。
非条件的および条件付きポストホック診断ツールの拡張に使用できる。
提案手法の可能性を実証するために,46特徴のリモートセンシング土地被覆分類の事例研究を行った。
論文 参考訳(メタデータ) (2021-04-09T10:48:11Z) - HMC, an Algorithms in Data Mining, the Functional Analysis approach [3.562271099341746]
力学系の観点からハミルトン(ハイブリッド)モンテカルロアルゴリズムの収束の証明を示す。
進化するオブジェクトは確率分布の密度であり、そのツールは関数解析から導出される。
論文 参考訳(メタデータ) (2021-02-04T15:39:00Z) - Kernel Methods and their derivatives: Concept and perspectives for the
Earth system sciences [8.226445359788402]
そこで本研究では, カーネル法で学習した関数を, 複雑であるにもかかわらず直感的に解釈可能であることを示す。
具体的には、これらの関数の微分は単純な数学的定式化を持ち、計算が容易であり、多くの異なる問題に適用可能であることを示す。
論文 参考訳(メタデータ) (2020-07-29T09:36:42Z) - Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
多視点問題は潜在変数モデルに直面することができる。
高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。
両アプローチを単一モデルにマージすることを提案する。
論文 参考訳(メタデータ) (2020-06-01T14:25:38Z) - 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) - Geometric Interpretation of Running Nystr\"{o}m-Based Kernel Machines
and Error Analysis [35.01395939823442]
我々は,Nystr "om-based kernel machine" を実行するための幾何学的解釈を用いた新しい手法を開発した。
他の2つのよく研究されたアプローチは、等価に我々の提案したアプローチに変換できることを示す。
論文 参考訳(メタデータ) (2020-02-20T18:36:16Z)
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。