論文の概要: Sparse Models for Machine Learning
- arxiv url: http://arxiv.org/abs/2308.13960v1
- Date: Sat, 26 Aug 2023 21:32:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-29 17:58:01.831972
- Title: Sparse Models for Machine Learning
- Title（参考訳）: 機械学習のためのスパースモデル
- Authors: Jianyi Lin
- Abstract要約: スパース・モデリングは パーシモニーの原理を捉えた 明らかな証拠だ
統計学において、スパースモデリングの多くの応用は、回帰、分類、グラフィカルモデル選択、スパースM推定器、スパース次元減少にまたがる。
また、画像の認知、セグメンテーション、復元とスーパーレゾリューション、視覚シーンにおける物体または顔の検出と認識、行動認識など、様々な人工視覚タスクに直接関連している。
- 参考スコア（独自算出の注目度）: 0.2900810893770134
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The sparse modeling is an evident manifestation capturing the parsimony
principle just described, and sparse models are widespread in statistics,
physics, information sciences, neuroscience, computational mathematics, and so
on. In statistics the many applications of sparse modeling span regression,
classification tasks, graphical model selection, sparse M-estimators and sparse
dimensionality reduction. It is also particularly effective in many statistical
and machine learning areas where the primary goal is to discover predictive
patterns from data which would enhance our understanding and control of
underlying physical, biological, and other natural processes, beyond just
building accurate outcome black-box predictors. Common examples include
selecting biomarkers in biological procedures, finding relevant brain activity
locations which are predictive about brain states and processes based on fMRI
data, and identifying network bottlenecks best explaining end-to-end
performance. Moreover, the research and applications of efficient recovery of
high-dimensional sparse signals from a relatively small number of observations,
which is the main focus of compressed sensing or compressive sensing, have
rapidly grown and became an extremely intense area of study beyond classical
signal processing. Likewise interestingly, sparse modeling is directly related
to various artificial vision tasks, such as image denoising, segmentation,
restoration and superresolution, object or face detection and recognition in
visual scenes, and action recognition.
In this manuscript, we provide a brief introduction of the basic theory
underlying sparse representation and compressive sensing, and then discuss some
methods for recovering sparse solutions to optimization problems in effective
way, together with some applications of sparse recovery in a machine learning
problem known as sparse dictionary learning.
- Abstract（参考訳）: スパース・モデリング(sparse modeling)は、単に記述したパーシモニーの原理を捉えた明らかな表現であり、スパース・モデルは統計学、物理学、情報科学、神経科学、計算数学などに広く使われている。
統計学におけるスパースモデリングの多くの応用は、回帰、分類タスク、グラフィカルモデル選択、スパースM推定器、スパース次元減少にまたがる。
また、統計学や機械学習の分野では特に有効であり、その主な目的は、ブラックボックス予測器を構築するだけでなく、基礎となる物理的、生物学的、その他の自然なプロセスの理解と制御を強化するデータから予測パターンを見つけることである。
一般的な例としては、生物学的手順におけるバイオマーカーの選択、fMRIデータに基づいて脳の状態やプロセスを予測する関連脳活動位置の発見、エンドツーエンドのパフォーマンスを説明するネットワークボトルネックの特定などがある。
さらに,圧縮センシングや圧縮センシングの中心となる比較的少数の観測結果から,高次元スパース信号の効率的な回収に関する研究と応用が急速に進展し,古典的信号処理以上の研究領域となった。
同様に、スパースモデリングは画像の分断、セグメンテーション、復元と超解像、視覚シーンにおける物体または顔の検出と認識、行動認識といった様々な人工視覚タスクに直接関係している。
本稿では,スパース表現と圧縮センシングの基礎となる基礎理論を簡潔に紹介するとともに,スパース辞書学習と呼ばれる機械学習問題におけるスパースリカバリの適用とともに,スパース解を効果的に解く方法について議論する。
関連論文リスト
- High-dimensional learning of narrow neural networks [1.7094064195431147]
この原稿は、機械学習の最近の進歩の根底にあるツールとアイデアをレビューしている。
本稿では,これまで研究されてきたモデルを特殊インスタンスとして包含する汎用モデル(シーケンスマルチインデックスモデル)を提案する。
複製法や近似メッセージパッシングアルゴリズムなどの統計物理手法を用いて,シーケンス多重インデックスモデルの学習過程を詳細に解析する。
論文 参考訳（メタデータ） (2024-09-20T21:20:04Z) - Deep Latent Variable Modeling of Physiological Signals [0.8702432681310401]
潜時変動モデルを用いた生理モニタリングに関する高次元問題について検討する。
まず、光学的に得られた信号を入力として、心の電気波形を生成するための新しい状態空間モデルを提案する。
次に,確率的グラフィカルモデルの強みと深い敵対学習を組み合わせた脳信号モデリング手法を提案する。
第3に,生理的尺度と行動の合同モデリングのための枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T17:07:33Z) - Seeing Unseen: Discover Novel Biomedical Concepts via
Geometry-Constrained Probabilistic Modeling [53.7117640028211]
同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。
構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。
スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
論文 参考訳（メタデータ） (2024-03-02T00:56:05Z) - URLOST: Unsupervised Representation Learning without Stationarity or
Topology [26.17135629579595]
定常性やトポロジに欠ける高次元データから学習する新しいフレームワークを提案する。
我々のモデルは学習可能な自己組織化層、密度調整されたスペクトルクラスタリング、マスク付きオートエンコーダを組み合わせる。
本研究は,生体視覚データ,一次視覚野からの神経記録,遺伝子発現データセットにおいて有効性を評価する。
論文 参考訳（メタデータ） (2023-10-06T18:00:02Z) - NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics [9.803179588247252]
グラフベースのニューロイメージングデータセットのコレクションであるNeuroGraphを紹介する。
行動的特徴と認知的特徴の複数のカテゴリを予測するための実用性を実証する。
論文 参考訳（メタデータ） (2023-06-09T19:10:16Z) - MMGP: a Mesh Morphing Gaussian Process-based machine learning method for
regression of physical problems under non-parameterized geometrical
variability [0.30693357740321775]
本稿では,グラフニューラルネットワークに依存しない機械学習手法を提案する。
提案手法は, 明示的な形状パラメータ化を必要とせずに, 大きなメッシュを容易に扱うことができる。
論文 参考訳（メタデータ） (2023-05-22T09:50:15Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Learning Neural Causal Models with Active Interventions [83.44636110899742]
本稿では,データ生成プロセスの根底にある因果構造を素早く識別する能動的介入ターゲット機構を提案する。
本手法は,ランダムな介入ターゲティングと比較して,要求される対話回数を大幅に削減する。
シミュレーションデータから実世界のデータまで,複数のベンチマークにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-06T13:10:37Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。