Fugu-MT 論文翻訳(概要): A framework to generate sparsity-inducing regularizers for enhanced low-rank matrix completion

論文の概要: A framework to generate sparsity-inducing regularizers for enhanced low-rank matrix completion

arxiv url: http://arxiv.org/abs/2310.04954v1
Date: Sun, 8 Oct 2023 00:35:54 GMT
ステータス: 処理完了
システム内更新日: 2023-10-12 14:06:27.685767
Title: A framework to generate sparsity-inducing regularizers for enhanced low-rank matrix completion
Title（参考訳）: 低ランク行列補完のための疎性誘導正規化器生成フレームワーク
Authors: Zhi-Yong Wang and Hing Cheung So
Abstract要約: 損失関数からスパーシリティ誘導器(SIR)を生成するためのフレームワークを考案する。また,低ランク行列補完によく用いられるサロゲートを用いて,我々の数値的枠組みを規定する。本手法は,回復性能と実行時間の観点から,本手法の有効性を示す。
参考スコア（独自算出の注目度）: 23.09095057952031
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Applying half-quadratic optimization to loss functions can yield the corresponding regularizers, while these regularizers are usually not sparsity-inducing regularizers (SIRs). To solve this problem, we devise a framework to generate an SIR with closed-form proximity operator. Besides, we specify our framework using several commonly-used loss functions, and produce the corresponding SIRs, which are then adopted as nonconvex rank surrogates for low-rank matrix completion. Furthermore, algorithms based on the alternating direction method of multipliers are developed. Extensive numerical results show the effectiveness of our methods in terms of recovery performance and runtime.
Abstract（参考訳）: 損失関数に半量子最適化を適用すると対応する正規化子が得られるが、これらの正規化子は通常スパーシティ誘導正規化子(sirs)ではない。そこで我々は,閉形式近接演算子を持つSIRを生成するためのフレームワークを考案した。さらに、一般的な損失関数を用いてフレームワークを指定し、対応するSIRを生成し、低ランク行列補完のために非凸ランクサロゲートとして採用する。さらに,乗算器の交互方向法に基づくアルゴリズムを開発した。その結果, 回復性能と実行時間の観点から, 提案手法の有効性が示された。

関連論文リスト

Tailed Low-Rank Matrix Factorization for Similarity Matrix Completion [14.542166904874147]
similarity Completion Matrixは多くの機械学習タスクの中核にある基本的なツールとして機能する。この問題に対処するために、類似行列理論(SMC)法が提案されているが、それらは複雑である。提案手法は,PSD特性を解析して推定プロセスを導出し,低ランク解を保証するために非低ランク正規化器を組み込む2つの新しい,スケーラブルで効果的なアルゴリズムを提案する。
論文参考訳（メタデータ） (2024-09-29T04:27:23Z)
Stochastic Optimization for Non-convex Problem with Inexact Hessian Matrix, Gradient, and Function [99.31457740916815]
信頼領域(TR)と立方体を用いた適応正則化は、非常に魅力的な理論的性質を持つことが証明されている。 TR法とARC法はヘッセン関数,勾配関数,関数値の非コンパクトな計算を同時に行うことができることを示す。
論文参考訳（メタデータ） (2023-10-18T10:29:58Z)
Low-Rank Tensor Completion via Novel Sparsity-Inducing Regularizers [30.920908325825668]
低ランクテンソル完備化問題において、l1-ノルムを緩和するため、非ランクサロゲート/正則化器が提案されている。これらの正則化器は核ランク復元に適用され,乗算器法に基づく効率的なアルゴリズムが提案されている。
論文参考訳（メタデータ） (2023-10-10T01:00:13Z)
Robust matrix completion via Novel M-estimator Functions [23.09095057952031]
Welsch や Cauchy などの M-estmators は、外れ値に対する堅牢性のために広く採用されているが、汚染されていないデータも低い。我々は、$-corruptedデータのみをダウンウェイディングする非破壊観測のクラスを生成するためのフレームワークを考案した。
論文参考訳（メタデータ） (2023-10-08T00:25:34Z)
Robust Low-Rank Matrix Completion via a New Sparsity-Inducing Regularizer [30.920908325825668]
本稿では,ハイブリッド常連Welsch (HOW) に新たな損失関数を提案する。
論文参考訳（メタデータ） (2023-10-07T09:47:55Z)
Iterative Reweighted Least Squares Networks With Convergence Guarantees for Solving Inverse Imaging Problems [12.487990897680422]
解析に基づく画像正規化における画像再構成タスクの新しい最適化手法を提案する。そのような正規化子は $ell_pp$-vector および $mathcalS_pp$ Schatten-matrix 準ノルムの重み付き拡張に対応するポテンシャル関数を用いてパラメータ化する。提案する最小化戦略の収束保証により,メモリ効率の高い暗黙バックプロパゲーション方式により,そのような最適化を成功させることができることを示す。
論文参考訳（メタデータ） (2023-08-10T17:59:46Z)
Exploring the Algorithm-Dependent Generalization of AUPRC Optimization with List Stability [107.65337427333064]
AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。 3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
論文参考訳（メタデータ） (2022-09-27T09:06:37Z)
Meta-Learning Adversarial Bandits [49.094361442409785]
本研究の目的は,複数のタスクにまたがる帯域幅フィードバックを用いてオンライン学習を学習し,タスク間の平均性能を改善することである。敵対的設定を最初に対象とするメタアルゴリズムとして,マルチアーム・バンディット(MAB)とバンディット・最適化(BLO)の2つの重要なケースに対して,特定の保証を設定するメタアルゴリズムを設計する。我々の保証は、非正規化されたフォローザリーダーと乗法重みを組み合わせることで、オンラインで非滑らかで非Bシーケンスを学ぶのに十分であることを示すことに依存しています。
論文参考訳（メタデータ） (2022-05-27T17:40:32Z)
Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文参考訳（メタデータ） (2021-04-13T23:21:01Z)
A Scalable, Adaptive and Sound Nonconvex Regularizer for Low-rank Matrix Completion [60.52730146391456]
そこで我々は,適応的かつ音質の高い"核フロベニウスノルム"と呼ばれる新しい非スケーラブルな低ランク正規化器を提案する。特異値の計算をバイパスし、アルゴリズムによる高速な最適化を可能にする。既存の行列学習手法では最速でありながら、最先端の回復性能が得られる。
論文参考訳（メタデータ） (2020-08-14T18:47:58Z)
Effective Dimension Adaptive Sketching Methods for Faster Regularized Least-Squares Optimization [56.05635751529922]
スケッチに基づくL2正規化最小二乗問題の解法を提案する。我々は、最も人気のあるランダム埋め込みの2つ、すなわちガウス埋め込みとサブサンプリングランダム化アダマール変換(SRHT)を考える。
論文参考訳（メタデータ） (2020-06-10T15:00:09Z)

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。