論文の概要: Nonconvex third-order Tensor Recovery Based on Logarithmic Minimax
Function
- arxiv url: http://arxiv.org/abs/2309.16208v1
- Date: Thu, 28 Sep 2023 07:17:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 15:50:31.772342
- Title: Nonconvex third-order Tensor Recovery Based on Logarithmic Minimax
Function
- Title(参考訳): 対数ミニマックス関数に基づく非凸三階テンソル回復
- Authors: Hongbing Zhang
- Abstract要約: 低ランクテンソルリカバリに基づく非緩和のための新しい対数最小関数を提案する。
提案関数は,強い非ランクペナルティを課しながら,大きな特異値を保護す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): 2.5191729605585005
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent researches have shown that low-rank tensor recovery based non-convex
relaxation has gained extensive attention. In this context, we propose a new
Logarithmic Minimax (LM) function. The comparative analysis between the LM
function and the Logarithmic, Minimax concave penalty (MCP), and Minimax
Logarithmic concave penalty (MLCP) functions reveals that the proposed function
can protect large singular values while imposing stronger penalization on small
singular values. Based on this, we define a weighted tensor LM norm as a
non-convex relaxation for tensor tubal rank. Subsequently, we propose the
TLM-based low-rank tensor completion (LRTC) model and the TLM-based tensor
robust principal component analysis (TRPCA) model respectively. Furthermore, we
provide theoretical convergence guarantees for the proposed methods.
Comprehensive experiments were conducted on various real datasets, and a
comparison analysis was made with the similar EMLCP method. The results
demonstrate that the proposed method outperforms the state-of-the-art methods.
- Abstract(参考訳): 近年の研究では、低ランクテンソル回復に基づく非凸緩和が注目されている。
そこで本研究では,新たな対数最小関数(LM)を提案する。
LM関数と対数ペナルティ,ミニマックス対数ペナルティ(MCP),ミニマックス対数ペナルティ(MLCP)関数の比較分析により,提案関数は小さな特異値に対してより強いペナルティを課しながら大きな特異値を保護することができることが明らかになった。
これに基づいて、重み付きテンソルLMノルムをテンソルチューブランクの非凸緩和として定義する。
次に,TLMに基づく低ランクテンソル完備化(LRTC)モデルとTLMベースの高剛性主成分分析(TRPCA)モデルを提案する。
さらに,提案手法に対して理論的収束保証を提供する。
各種実データを用いて総合的な実験を行い, 類似のEMLCP法との比較分析を行った。
その結果,提案手法は最先端手法よりも優れていた。
関連論文リスト
- Is Temperature Sample Efficient for Softmax Gaussian Mixture of Experts? [31.384469845441362]
専門家(MoE)の密度と分散の混合は、最近よく知られたMoEの代替となる。
パラメータ推定の収束速度はどのスパースレートよりも遅く、$mathcalO (1/log(n))$と同じくらい遅く、$n$はサンプルサイズを表す。
本稿では,線形層の出力を活性化関数にルーティングし,ソフトマックス関数に伝達する新しいアクティベーション・トゥ・スパースゲートを提案する。
論文 参考訳(メタデータ) (2024-01-25T01:09:09Z) - Structured Low-Rank Tensors for Generalized Linear Models [15.717917936953718]
一般化線形モデル(GLM)問題における低分離ランク(LSR)と呼ばれる新しい低ランクテンソルモデルについて検討する。
LSRモデルは有名なTuckerとCANDECOMP/PARAFAC(CP)モデルを一般化する。
合成データセットの実験は、3つの回帰型に対して提案したLSRテンソルモデルの有効性を示した。
論文 参考訳(メタデータ) (2023-08-05T17:20:41Z) - Regularization and Variance-Weighted Regression Achieves Minimax
Optimality in Linear MDPs: Theory and Practice [79.48432795639403]
ミラー降下値反復(MDVI)は、KL(Kulback-Leibler)とRL(Entropy-regularized reinforcement learning)の抽象化である。
MDVIを線形関数近似を用いて研究し,$varepsilon$-optimal policyを同定するために必要なサンプル複雑性について検討した。
我々は,無限水平線形MDPに対して,最小限のサンプル複雑性を実現する最初の理論的アルゴリズムである分散重み付き最小二乗法MDVIを提案する。
論文 参考訳(メタデータ) (2023-05-22T16:13:05Z) - Kernel-based off-policy estimation without overlap: Instance optimality
beyond semiparametric efficiency [53.90687548731265]
本研究では,観測データに基づいて線形関数を推定するための最適手順について検討する。
任意の凸および対称函数クラス $mathcalF$ に対して、平均二乗誤差で有界な非漸近局所ミニマックスを導出する。
論文 参考訳(メタデータ) (2023-01-16T02:57:37Z) - Tensor Recovery Based on A Novel Non-convex Function Minimax Logarithmic
Concave Penalty Function [5.264776812468168]
本稿では,新たな非算術的解法であるMiniarithmic Concave Penalty (MLCP) 関数を提案する。
提案された関数は、LLojaに重み付けされたケースに一般化される。
提案された列は有限長であり、世界的に臨界点に収束することが証明された。
論文 参考訳(メタデータ) (2022-06-25T12:26:53Z) - Tensor Full Feature Measure and Its Nonconvex Relaxation Applications to
Tensor Recovery [1.8899300124593645]
完全特徴量(FFM)と呼ばれる新しいテンソル間隔尺度を提案する。
これは各次元の特徴次元を同時に記述することができ、タッカーランクとテンソルチューブランクを結びつけることができる。
FFMに基づく2つの効率的なモデルを提案し、提案モデルを解決するために2つの代替乗算器法(ADMM)アルゴリズムを開発した。
論文 参考訳(メタデータ) (2021-09-25T01:44:34Z) - Mode-wise Tensor Decompositions: Multi-dimensional Generalizations of
CUR Decompositions [9.280330114137778]
知通とファイバーCURの2つの主要なテンソルCUR近似における特性評価、摂動解析、および効率的なサンプリング戦略について検討する。
論文 参考訳(メタデータ) (2021-03-19T22:00:21Z) - Finite Sample Analysis of Minimax Offline Reinforcement Learning:
Completeness, Fast Rates and First-Order Efficiency [83.02999769628593]
強化学習におけるオフ・ポリティィ・アセスメント(OPE)の理論的特徴について述べる。
ミニマックス法により、重みと品質関数の高速収束を実現することができることを示す。
非タブラル環境における1次効率を持つ最初の有限サンプル結果を示す。
論文 参考訳(メタデータ) (2021-02-05T03:20:39Z) - Multi-View Spectral Clustering Tailored Tensor Low-Rank Representation [105.33409035876691]
本稿では,テンソル低ランクモデルに基づくマルチビュースペクトルクラスタリング(MVSC)の問題について検討する。
MVSCに適合する新しい構造テンソル低ランクノルムを設計する。
提案手法は最先端の手法よりもかなり優れていることを示す。
論文 参考訳(メタデータ) (2020-04-30T11:52:12Z) - Modal Regression based Structured Low-rank Matrix Recovery for
Multi-view Learning [70.57193072829288]
近年、低ランクなマルチビューサブスペース学習は、クロスビューの分類において大きな可能性を示している。
既存のLMvSLベースの手法では、ビューの区別と差別を同時に扱うことができない。
本稿では,視差を効果的に除去し,識別性を向上する独自の方法であるStructured Low-rank Matrix Recovery (SLMR)を提案する。
論文 参考訳(メタデータ) (2020-03-22T03:57:38Z) - SLEIPNIR: Deterministic and Provably Accurate Feature Expansion for
Gaussian Process Regression with Derivatives [86.01677297601624]
本稿では,2次フーリエ特徴に基づく導関数によるGP回帰のスケーリング手法を提案する。
我々は、近似されたカーネルと近似された後部の両方に適用される決定論的、非漸近的、指数関数的に高速な崩壊誤差境界を証明した。
論文 参考訳(メタデータ) (2020-03-05T14:33:20Z)
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。