論文の概要: Support matrix machine: A review
- arxiv url: http://arxiv.org/abs/2310.19717v1
- Date: Mon, 30 Oct 2023 16:46:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-01 19:05:32.346268
- Title: Support matrix machine: A review
- Title（参考訳）: support matrix machine: レビュー
- Authors: Anuradha Kumari, Mushir Akhtar, Rupal Shah, M. Tanveer
- Abstract要約: サポートマトリックスマシン(SMM)は、行列入力データを扱うのに適した新しい手法の1つである。
本稿では,SMM モデルの開発について,より詳細な分析を行う。
我々は、ロバスト、スパース、クラス不均衡、マルチクラス分類モデルなど、多くのSMM変種について論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Support vector machine (SVM) is one of the most studied paradigms in the
realm of machine learning for classification and regression problems. It relies
on vectorized input data. However, a significant portion of the real-world data
exists in matrix format, which is given as input to SVM by reshaping the
matrices into vectors. The process of reshaping disrupts the spatial
correlations inherent in the matrix data. Also, converting matrices into
vectors results in input data with a high dimensionality, which introduces
significant computational complexity. To overcome these issues in classifying
matrix input data, support matrix machine (SMM) is proposed. It represents one
of the emerging methodologies tailored for handling matrix input data. The SMM
method preserves the structural information of the matrix data by using the
spectral elastic net property which is a combination of the nuclear norm and
Frobenius norm. This article provides the first in-depth analysis of the
development of the SMM model, which can be used as a thorough summary by both
novices and experts. We discuss numerous SMM variants, such as robust, sparse,
class imbalance, and multi-class classification models. We also analyze the
applications of the SMM model and conclude the article by outlining potential
future research avenues and possibilities that may motivate academics to
advance the SMM algorithm.
- Abstract（参考訳）: サポートベクトルマシン(SVM)は、分類と回帰問題に対する機械学習の領域で最も研究されているパラダイムの1つである。
ベクトル化された入力データに依存する。
しかし、実世界のデータの大部分は行列形式で存在し、行列をベクトルに変換することによってSVMへの入力として与えられる。
再構成の過程は、行列データに固有の空間相関を阻害する。
また、行列をベクトルに変換することで高次元の入力データが得られるため、計算が複雑になる。
行列入力データの分類におけるこれらの課題を克服するために,サポートマトリックスマシン (smm) を提案する。
これは行列入力データを扱うのに適した新しい手法の1つである。
SMM法は、核ノルムとフロベニウスノルムの組み合わせであるスペクトル弾性ネット特性を用いて、行列データの構造情報を保存する。
本稿は,SMMモデルの開発について,初心者と専門家双方による詳細な要約として使用可能な,初めて詳細な分析を行う。
本稿では,ロバスト,スパース,クラス不均衡,マルチクラス分類モデルなど,多数のsmm変種について考察する。
また、SMMモデルの適用状況を分析し、SMMアルゴリズムを前進させる動機となる将来的な研究の道筋や可能性について概説する。
関連論文リスト
- Spectral Entry-wise Matrix Estimation for Low-Rank Reinforcement
Learning [53.445068584013896]
低ランク構造を持つ強化学習(RL)における行列推定問題について検討した。
低ランク帯では、回収される行列は期待される腕の報酬を指定し、低ランクマルコフ決定プロセス(MDP)では、例えばMDPの遷移カーネルを特徴付ける。
簡単なスペクトルベースの行列推定手法は,行列の特異部分空間を効率よく復元し,ほぼ最小の入力誤差を示すことを示す。
論文 参考訳（メタデータ） (2023-10-10T17:06:41Z) - Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。
MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。
理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
論文 参考訳（メタデータ） (2023-08-26T06:12:33Z) - Sufficient dimension reduction for feature matrices [3.04585143845864]
そこで本研究では,主支持行列マシン (PSMM) を用いた行列次元削減手法を提案する。
数値解析により、PSMMは既存の手法よりも優れ、実データアプリケーションでは高い解釈性を有することが示された。
論文 参考訳（メタデータ） (2023-03-07T23:16:46Z) - Multiresolution kernel matrix algebra [0.0]
本研究では, あるS形式において, 最適スパース行列を生成するサンプルレットを用いて, カーネル行列の圧縮を示す。
カーネル行列の逆数(もし存在するなら)は S-形式でも圧縮可能である。
行列代数は擬微分計算によって数学的に正当化される。
論文 参考訳（メタデータ） (2022-11-21T17:50:22Z) - Learning in High-Dimensional Feature Spaces Using ANOVA-Based Fast
Matrix-Vector Multiplication [0.0]
カーネル行列は一般に密度が高く大規模である。特徴空間の次元によっては、合理的な時間における全てのエントリの計算さえも難しい課題となる。
そこで我々は,ANOVAカーネルを用いて低次元の特徴空間に基づいて複数のカーネルを構築し,行列ベクトル積を実現する高速アルゴリズムを提案する。
特徴グループ化アプローチに基づいて,カーネルリッジ回帰と事前条件付き共役勾配解法を選択する学習手法に,高速な行列ベクトル積を組み込む方法を示す。
論文 参考訳（メタデータ） (2021-11-19T10:29:39Z) - A Tensor SVD-based Classification Algorithm Applied to fMRI Data [0.0]
行列SVDのテンソルアナログである t-SVDM を用いた投影型分類アルゴリズムを用いる。
数値実験により、fMRI分類に最適なテンソルベースアプローチが存在することが示された。
論文 参考訳（メタデータ） (2021-10-31T20:39:23Z) - Non-PSD Matrix Sketching with Applications to Regression and
Optimization [56.730993511802865]
非PSDおよび2乗根行列の次元削減法を提案する。
複数のダウンストリームタスクにこれらのテクニックをどのように使用できるかを示す。
論文 参考訳（メタデータ） (2021-06-16T04:07:48Z) - Learning Log-Determinant Divergences for Positive Definite Matrices [47.61701711840848]
本稿では,データ駆動方式で類似度を学習することを提案する。
スカラーアルファとベータによってパラメトリ化されたメタダイバージェンスであるalphabeta-log-detの発散を利用する。
私たちの重要なアイデアは、これらのパラメータを連続体にキャストし、データから学ぶことです。
論文 参考訳（メタデータ） (2021-04-13T19:09:43Z) - Granular Computing: An Augmented Scheme of Degranulation Through a
Modified Partition Matrix [86.89353217469754]
大量の数値データの抽象的かつ効率的な特徴付けを形成する情報グラニュラーは、グラニュラーコンピューティングの基本的な構成要素であると考えられている。
従来の研究では, 再建誤差と造粒プロセスの性能に相関があることが示されている。
本研究では, 脱顆粒の質を高めるため, 分割行列の変更による拡張スキームの開発を行った。
論文 参考訳（メタデータ） (2020-04-03T03:20:09Z) - Sketching Transformed Matrices with Applications to Natural Language
Processing [76.6222695417524]
本稿では, 変換行列を用いて, 与えられた小さな行列の積を計算するための空間効率のよいスケッチアルゴリズムを提案する。
提案手法は誤差が小さく,空間と時間の両方で効率がよいことを示す。
論文 参考訳（メタデータ） (2020-02-23T03:07:31Z)
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。