論文の概要: Tensor Regression
- arxiv url: http://arxiv.org/abs/2308.11419v1
- Date: Tue, 22 Aug 2023 13:04:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 18:11:02.649395
- Title: Tensor Regression
- Title（参考訳）: テンソル回帰
- Authors: Jiani Liu, Ce Zhu, Zhen Long, and Yipeng Liu
- Abstract要約: 回帰分析は、データ分析と機械学習の分野における重要な分野である。
ニューロイメージング、コンピュータビジョン、気候学、ソーシャルネットワークなどの技術における高次元データの出現は、従来のデータ表現法に課題をもたらした。
この本は、近年のベクトルに基づく回帰モデルとその応用に関する体系的な研究と分析を提供する。
- 参考スコア（独自算出の注目度）: 37.35881539885536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Regression analysis is a key area of interest in the field of data analysis
and machine learning which is devoted to exploring the dependencies between
variables, often using vectors. The emergence of high dimensional data in
technologies such as neuroimaging, computer vision, climatology and social
networks, has brought challenges to traditional data representation methods.
Tensors, as high dimensional extensions of vectors, are considered as natural
representations of high dimensional data. In this book, the authors provide a
systematic study and analysis of tensor-based regression models and their
applications in recent years. It groups and illustrates the existing
tensor-based regression methods and covers the basics, core ideas, and
theoretical characteristics of most tensor-based regression methods. In
addition, readers can learn how to use existing tensor-based regression methods
to solve specific regression tasks with multiway data, what datasets can be
selected, and what software packages are available to start related work as
soon as possible. Tensor Regression is the first thorough overview of the
fundamentals, motivations, popular algorithms, strategies for efficient
implementation, related applications, available datasets, and software
resources for tensor-based regression analysis. It is essential reading for all
students, researchers and practitioners of working on high dimensional data.
- Abstract（参考訳）: 回帰分析はデータ分析と機械学習の分野における重要な分野であり、しばしばベクトルを用いて変数間の依存関係を探索することに専念している。
ニューロイメージング、コンピュータビジョン、気候学、ソーシャルネットワークなどの技術における高次元データの出現は、従来のデータ表現手法に課題をもたらした。
テンソルはベクトルの高次元拡張として、高次元データの自然な表現と見なされる。
本書では,近年のテンソルベース回帰モデルとその応用について,体系的な研究と分析を行っている。
既存のテンソルベース回帰法をグループ化し、ほとんどのテンソルベース回帰法の基本、基本概念、理論的特徴を網羅する。
さらに、読者は、既存のテンソルベースの回帰手法を使って、マルチウェイデータで特定の回帰タスクを解決する方法、データセットを選択できるもの、可能な限り早く関連作業を開始するためのソフトウェアパッケージを学べる。
Tensor Regressionは、基本的な部分、モチベーション、一般的なアルゴリズム、効率的な実装戦略、関連するアプリケーション、利用可能なデータセット、テンソルベースの回帰分析のためのソフトウェアリソースに関する、最初の完全な概要である。
高次元データを扱うすべての学生、研究者、実践者にとって本質的な読書である。
関連論文リスト
- Generalized Regression with Conditional GANs [2.4171019220503402]
本稿では,学習データセットにおける特徴ラベルペアと,対応する入力と組み合わせて出力を区別できない予測関数を学習することを提案する。
回帰に対するこのアプローチは、私たちが適合するデータの分布に対する仮定を減らし、表現能力が向上することを示す。
論文 参考訳（メタデータ） (2024-04-21T01:27:47Z) - Deep networks for system identification: a Survey [56.34005280792013]
システム識別は、入力出力データから動的システムの数学的記述を学習する。
同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。
我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
論文 参考訳（メタデータ） (2023-01-30T12:38:31Z) - Constructing Effective Machine Learning Models for the Sciences: A
Multidisciplinary Perspective [77.53142165205281]
線形回帰モデルに変数間の変換や相互作用を手動で追加することで、非線形解が必ずしも改善されないことを示す。
データ駆動モデルを構築する前にこれを認識する方法や、そのような分析が本質的に解釈可能な回帰モデルへの移行にどのように役立つかについて議論する。
論文 参考訳（メタデータ） (2022-11-21T17:48:44Z) - CurFi: An automated tool to find the best regression analysis model
using curve fitting [0.0]
線形回帰モデルを用いて曲線をデータセットに適合させる曲線フィッティングシステム「CurFi」を開発した。
このシステムはデータセットのアップロードを容易にし、データセットをトレーニングセットとテストセットに分割し、関連する機能とデータセットからのラベルを選択する。
論文 参考訳（メタデータ） (2022-05-16T16:52:10Z) - X-model: Improving Data Efficiency in Deep Learning with A Minimax Model [78.55482897452417]
ディープラーニングにおける分類と回帰設定の両面でのデータ効率の向上を目標とする。
両世界の力を生かすために,我々は新しいX-モデルを提案する。
X-モデルは、特徴抽出器とタスク固有のヘッドの間でミニマックスゲームを行う。
論文 参考訳（メタデータ） (2021-10-09T13:56:48Z) - Nonparametric Trace Regression in High Dimensions via Sign Series
Representation [13.37650464374017]
高次元関数の構造的符号系列表現による非パラメトリックトレース回帰モデルのためのフレームワークを開発する。
行列完備化の文脈において、我々のフレームワークは、行列の「符号ランク」と呼ばれるものに基づいて、かなりリッチなモデルへと導かれる。
論文 参考訳（メタデータ） (2021-05-04T22:20:00Z) - A Survey Of Regression Algorithms And Connections With Deep Learning [0.0]
回帰は近年、値の予測のようなタスクの有効性のために、大きな関心を集めている。
本稿では,近年の回帰アルゴリズムの広範かつ思慮深い選択を特徴付ける。
RegressionとDeep Learningの関係も議論され、Deep Learningが将来Regressionモデルとの組み合わせとしてより強力になるという結論を導くことができる。
論文 参考訳（メタデータ） (2021-04-26T15:18:00Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Two-step penalised logistic regression for multi-omic data with an
application to cardiometabolic syndrome [62.997667081978825]
我々は,各層で変数選択を行うマルチオミックロジスティック回帰に対する2段階のアプローチを実装した。
私たちのアプローチは、可能な限り多くの関連する予測子を選択することを目標とすべきです。
提案手法により,分子レベルでの心筋メタボリックシンドロームの特徴を同定することができる。
論文 参考訳（メタデータ） (2020-08-01T10:36:27Z) - Deep transformation models: Tackling complex regression problems with
neural network based transformation models [0.0]
確率回帰のための深層変換モデルを提案する。
これは、結果の不確実性を捉える最も徹底的な方法である条件付き確率分布全体を推定する。
本手法は複雑な入力データに対して有効であり,画像データにCNNアーキテクチャを適用して実演する。
論文 参考訳（メタデータ） (2020-04-01T14:23:12Z)
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。