Fugu-MT 論文翻訳(概要): On the estimation of the number of components in multivariate functional principal component analysis

論文の概要: On the estimation of the number of components in multivariate functional principal component analysis

arxiv url: http://arxiv.org/abs/2311.04540v2
Date: Fri, 12 Jul 2024 16:53:56 GMT
ステータス: 処理完了
システム内更新日: 2024-07-16 05:46:55.504540
Title: On the estimation of the number of components in multivariate functional principal component analysis
Title（参考訳）: 多変量機能主成分分析における成分数推定について
Authors: Steven Golovkine, Edward Gunning, Andrew J. Simpkin, Norma Bargary,
Abstract要約: 保持する主成分の数の選定を検討するため, 広範囲なシミュレーションを行った。本研究では,各単変量機能特徴に対する分散説明しきい値のパーセンテージを用いた従来の手法は信頼性が低いことを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Happ and Greven (2018) developed a methodology for principal components analysis of multivariate functional data for data observed on different dimensional domains. Their approach relies on an estimation of univariate functional principal components for each univariate functional feature. In this paper, we present extensive simulations to investigate choosing the number of principal components to retain. We show empirically that the conventional approach of using a percentage of variance explained threshold for each univariate functional feature may be unreliable when aiming to explain an overall percentage of variance in the multivariate functional data, and thus we advise practitioners to be careful when using it.
Abstract（参考訳）: Happ and Greven (2018) は、異なる次元領域で観測されたデータに対する多変量関数データの主成分分析のための方法論を開発した。彼らのアプローチは、各単変数機能特徴に対する単変数機能主成分の推定に依存する。本稿では,保持する主成分数を選択するための広範囲なシミュレーションについて述べる。本研究では,多変量機能データにおける分散の全体的パーセンテージを説明するために,各単変量機能特徴に対して,従来の分散説明しきい値を用いた手法は信頼できない可能性があることを実証的に示す。

関連論文リスト

Disentangling Interactions and Dependencies in Feature Attribution [9.442326245744916]
機械学習において、グローバルな特徴重要度法は、対象変数の予測に個々の特徴がどの程度貢献するかを判断しようとする。一般的に用いられる特徴重要度スコアでは、これらの協調効果は特徴の個々の貢献と混同される。 DIPは、3つの成分をアンタングルする個々の特徴重要度スコアを数学的に分解する。
論文参考訳（メタデータ） (2024-10-31T09:41:10Z)
Augmented Functional Random Forests: Classifier Construction and Unbiased Functional Principal Components Importance through Ad-Hoc Conditional Permutations [0.0]
本稿では,木に基づく手法と関数型データ解析を統合した新しい教師付き分類手法を提案する。機能的分類木と機能的ランダム林の拡張版を提案し,機能的主成分の重要性を評価するための新しいツールを取り入れた。
論文参考訳（メタデータ） (2024-08-23T15:58:41Z)
Partial-Multivariate Model for Forecasting [28.120094495344453]
本稿では,問題予測のためのトランスフォーマーに基づく部分多変量モデルPMformerを提案する。 PMformerは様々な単変量モデルと完全多変量モデルより優れていることを示す。また、PMformerの他の利点として、機能不足による効率性と堅牢性を強調します。
論文参考訳（メタデータ） (2024-08-19T05:18:50Z)
Interpetable Target-Feature Aggregation for Multi-Task Learning based on Bias-Variance Analysis [53.38518232934096]
マルチタスク学習(MTL)は、タスク間の共有知識を活用し、一般化とパフォーマンスを改善するために設計された強力な機械学習パラダイムである。本稿では,タスククラスタリングと特徴変換の交点におけるMTL手法を提案する。両段階において、鍵となる側面は減った目標と特徴の解釈可能性を維持することである。
論文参考訳（メタデータ） (2024-06-12T08:30:16Z)
Regularized Multivariate Functional Principal Component Analysis [3.4238565157486187]
本稿では,プライマリコンポーネントの粗さ制御の問題に対処するため,Realized theCA (ReCA) と呼ばれる新しいアプローチを提案する。提案手法は多変量関数型PCを生成し,データの簡潔かつ解釈可能な表現を提供する。
論文参考訳（メタデータ） (2023-06-24T14:22:25Z)
On the use of the Gram matrix for multivariate functional principal components analysis [0.0]
機能的データ分析(FDA)における次元減少の重要性関数主成分分析の既存のアプローチは、通常共分散作用素の対角化を伴う。本稿では,曲線間の内部積を用いて多変量および多次元関数的データセットの固有値を推定する。
論文参考訳（メタデータ） (2023-06-22T15:09:41Z)
Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
論文参考訳（メタデータ） (2022-10-27T16:06:47Z)
Multivariate Wasserstein Functional Connectivity for Autism Screening [82.68524566142271]
我々は,代表時系列を使わずに,興味のある地域を直接比較することを提案する。自閉症スクリーニングタスクにおけるWasserstein機能接続性の評価を行った。
論文参考訳（メタデータ） (2022-09-23T16:23:05Z)
Eigen Analysis of Self-Attention and its Reconstruction from Partial Computation [58.80806716024701]
ドット積に基づく自己注意を用いて計算した注意点のグローバルな構造について検討する。注意点の変動の大部分は低次元固有空間にあることがわかった。トークンペアの部分的な部分集合に対してのみスコアを計算し、それを用いて残りのペアのスコアを推定する。
論文参考訳（メタデータ） (2021-06-16T14:38:42Z)
The role of feature space in atomistic learning [62.997667081978825]
物理的にインスパイアされた記述子は、原子論シミュレーションへの機械学習技術の応用において重要な役割を果たしている。異なる記述子のセットを比較するためのフレームワークを導入し、メトリクスとカーネルを使ってそれらを変換するさまざまな方法を紹介します。原子密度のn-体相関から構築した表現を比較し,低次特徴の利用に伴う情報損失を定量的に評価した。
論文参考訳（メタデータ） (2020-09-06T14:12:09Z)
Invariant Feature Coding using Tensor Product Representation [75.62232699377877]
我々は,群不変特徴ベクトルが線形分類器を学習する際に十分な識別情報を含んでいることを証明した。主成分分析やk平均クラスタリングにおいて,グループアクションを明示的に考慮する新たな特徴モデルを提案する。
論文参考訳（メタデータ） (2019-06-05T07:15:17Z)

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。