論文の概要: Functional Generalized Canonical Correlation Analysis for studying
multiple longitudinal variables
- arxiv url: http://arxiv.org/abs/2310.07330v1
- Date: Wed, 11 Oct 2023 09:21:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-12 23:36:08.105855
- Title: Functional Generalized Canonical Correlation Analysis for studying
multiple longitudinal variables
- Title(参考訳): 機能一般化正準相関解析による複数縦変数の研究
- Authors: Lucas Sort, Laurent Le Brusquet, Arthur Tenenhaus
- Abstract要約: FGCCA(Functional Generalized Canonical correlation Analysis)は、共同で観測される複数のランダムプロセス間の関連を探索する新しいフレームワークである。
我々は,解法の単調性を確立し,標準成分を推定するためのベイズ的アプローチを導入する。
本稿では,縦断データセットにユースケースを提示し,シミュレーション研究における手法の効率性を評価する。
- 参考スコア(独自算出の注目度): 0.9208007322096533
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper, we introduce Functional Generalized Canonical Correlation
Analysis (FGCCA), a new framework for exploring associations between multiple
random processes observed jointly. The framework is based on the multiblock
Regularized Generalized Canonical Correlation Analysis (RGCCA) framework. It is
robust to sparsely and irregularly observed data, making it applicable in many
settings. We establish the monotonic property of the solving procedure and
introduce a Bayesian approach for estimating canonical components. We propose
an extension of the framework that allows the integration of a univariate or
multivariate response into the analysis, paving the way for predictive
applications. We evaluate the method's efficiency in simulation studies and
present a use case on a longitudinal dataset.
- Abstract(参考訳): 本稿では,複数のランダムプロセス間の相関関係を探索するための新しい枠組みである関数型一般化正準相関解析(fgcca)を提案する。
このフレームワークはマルチブロック正規化一般化正準相関解析(RGCCA)フレームワークに基づいている。
ばらばらで不規則に観測されたデータには堅牢であり、多くの設定で適用できる。
我々は,解法の単調性を確立し,標準成分を推定するためのベイズ的アプローチを導入する。
本稿では,不定値あるいは多変量応答を解析に統合し,予測アプリケーションへの道を開くためのフレームワークの拡張を提案する。
シミュレーション研究における手法の効率を評価し,縦型データセットでの利用例を示す。
関連論文リスト
- Towards Aligned Canonical Correlation Analysis: Preliminary Formulation
and Proof-of-Concept Results [6.933535396099733]
正準相関解析(CCA)は、データの複数のビューを最大相関した潜在空間に埋め込むために広く応用されている。
従来の手法で要求される様々なデータ視点の整合性は、多くの実践例において不明確である。
本稿では、アライメントとマルチビュー埋め込みを反復的に解決し、この問題に対処する新しいフレームワークであるACCAを提案する。
論文 参考訳(メタデータ) (2023-12-01T02:24:07Z) - A Bayesian Methodology for Estimation for Sparse Canonical Correlation [0.0]
標準相関解析(CCA)は、データセット間の関係を識別する統計手法である。
ScSCCAは、異なるデータモダリティ間の相互関係の堅牢なモデリングを目的とした、急速に発展する方法論分野である。
ベイズ無限因子モデルを用いて,ロバストな推定を実現する新しいSCSCCA手法を提案する。
論文 参考訳(メタデータ) (2023-10-30T15:14:25Z) - A Framework for Analyzing Cross-correlators using Price's Theorem and
Piecewise-Linear Decomposition [5.094549132183797]
本稿では,片方向線形関数の混合を用いて構築したクロスコレレータを解析できる汎用的な数学的枠組みを提案する。
最も有望なクロスコレレータのいくつかは、Huberの損失関数、マージンプロパゲーション(MP)関数、log-sum-exp(LSE)関数に基づいている。
論文 参考訳(メタデータ) (2023-04-18T19:03:27Z) - A Unified Framework for Estimation of High-dimensional Conditional
Factor Models [0.0]
本稿では,核ノルム正規化による高次元条件因子モデル推定のための一般的な枠組みを開発する。
推定器の大規模なサンプル特性を確立し、推定器を見つけるための効率的な計算アルゴリズムを提供する。
そこで本手法を適用して,各米国株の収益率の断面分析を行い,同質性を付与することで,モデル外乱予測可能性の向上が期待できることを示した。
論文 参考訳(メタデータ) (2022-09-01T12:10:29Z) - The Dynamics of Riemannian Robbins-Monro Algorithms [101.29301565229265]
本稿では,Robins と Monro のセミナル近似フレームワークを一般化し拡張するリーマンアルゴリズムの族を提案する。
ユークリッドのそれと比較すると、リーマンのアルゴリズムは多様体上の大域線型構造が欠如しているため、はるかに理解されていない。
ユークリッド・ロビンス=モンロスキームの既存の理論を反映し拡張するほぼ確実な収束結果の一般的なテンプレートを提供する。
論文 参考訳(メタデータ) (2022-06-14T12:30:11Z) - Scalable mixed-domain Gaussian processes [0.0]
混合領域共分散関数に対する基底関数近似スキームを導出する。
提案手法は任意の観測モデルを用いたベイズGP回帰に適用可能である。
この手法を縦型データモデリングの文脈で実演し、正確なGPモデルを正確に近似することを示す。
論文 参考訳(メタデータ) (2021-11-03T04:47:37Z) - Nonlinear Independent Component Analysis for Continuous-Time Signals [85.59763606620938]
このプロセスの混合物の観察から多次元音源過程を復元する古典的問題を考察する。
このリカバリは、この混合物が十分に微分可能で可逆な関数によって与えられる場合、多くの一般的なプロセスのモデル(座標の順序と単調スケーリングまで)に対して可能であることを示す。
論文 参考訳(メタデータ) (2021-02-04T20:28:44Z) - Generalized Matrix Factorization: efficient algorithms for fitting
generalized linear latent variable models to large data arrays [62.997667081978825]
一般化線形潜在変数モデル(GLLVM)は、そのような因子モデルを非ガウス応答に一般化する。
GLLVMのモデルパラメータを推定する現在のアルゴリズムは、集約的な計算を必要とし、大規模なデータセットにスケールしない。
本稿では,GLLVMを高次元データセットに適用するための新しい手法を提案する。
論文 参考訳(メタデータ) (2020-10-06T04:28:19Z) - 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) - Invariant Causal Prediction for Block MDPs [106.63346115341862]
環境全体にわたる一般化は、実世界の課題への強化学習アルゴリズムの適用の成功に不可欠である。
本稿では,多環境環境における新しい観測を一般化するモデル不適合状態抽象化(MISA)を学習するための不変予測法を提案する。
論文 参考訳(メタデータ) (2020-03-12T21:03:01Z) - Variational Inference for Deep Probabilistic Canonical Correlation
Analysis [49.36636239154184]
線形多視点層と深層生成ネットワークを観測モデルとして構成した深部確率的多視点モデルを提案する。
潜在確率多視点層の後方分布を近似した効率的な変分推論法を開発した。
任意の数のビューを持つモデルへの一般化も提案されている。
論文 参考訳(メタデータ) (2020-03-09T17:51:15Z)
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。