Fugu-MT 論文翻訳(概要): Stratified-NMF for Heterogeneous Data

論文の概要: Stratified-NMF for Heterogeneous Data

arxiv url: http://arxiv.org/abs/2311.10789v1
Date: Fri, 17 Nov 2023 00:34:41 GMT
ステータス: 処理完了
システム内更新日: 2023-11-22 14:22:33.579384
Title: Stratified-NMF for Heterogeneous Data
Title（参考訳）: 不均一データのための成層NMF
Authors: James Chapman, Yotam Yaniv, Deanna Needell
Abstract要約: 本研究では,階層依存統計量と共有トピック行列を同時に学習する改良NMF目標であるStratified-NMFを提案する。本手法を実世界の3つのデータセットに適用し,その特徴を実証的に検討する。
参考スコア（独自算出の注目度）: 8.174199227297514
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Non-negative matrix factorization (NMF) is an important technique for obtaining low dimensional representations of datasets. However, classical NMF does not take into account data that is collected at different times or in different locations, which may exhibit heterogeneity. We resolve this problem by solving a modified NMF objective, Stratified-NMF, that simultaneously learns strata-dependent statistics and a shared topics matrix. We develop multiplicative update rules for this novel objective and prove convergence of the objective. Then, we experiment on synthetic data to demonstrate the efficiency and accuracy of the method. Lastly, we apply our method to three real world datasets and empirically investigate their learned features.
Abstract（参考訳）: 非負行列分解(NMF)はデータセットの低次元表現を得るための重要な手法である。しかし、古典的なNMFは異なる時間または異なる場所で収集されるデータを考慮しておらず、不均一性を示す可能性がある。本研究では,階層依存統計量と共有トピック行列を同時に学習する修正NMF目標であるStratified-NMFを解くことで,この問題を解決する。我々は,この新たな目的に対する乗法的更新ルールを開発し,目的の収束を証明する。そこで,本手法の効率と精度を示すために,合成データについて実験を行った。最後に,本手法を実世界の3つのデータセットに適用し,それらの特徴を実証的に検討する。

関連論文リスト

Coseparable Nonnegative Tensor Factorization With T-CUR Decomposition [2.013220890731494]
非負行列因子化(NMF)は、データから意味のある特徴を抽出する重要な教師なし学習手法である。本研究では,コセプタブルコアを選択するための交互選択法を提案する。その結果, 分離可能なNMFと比較して, 分離可能なNTFの有効性が示された。
論文参考訳（メタデータ） (2024-01-30T09:22:37Z)
Neural FIM for learning Fisher Information Metrics from point cloud data [71.07939200676199]
我々は、ポイントクラウドデータからフィッシャー情報量(FIM)を計算するためのニューラルFIMを提案する。本稿では,PHATE可視化手法のパラメータの選択と,IPSCリプログラミングとPBMC(免疫細胞)の2つの単一セルデータセットと,おもちゃデータセットの分岐点とクラスタセンターの埋め込みに関する情報を得る能力について述べる。
論文参考訳（メタデータ） (2023-06-01T17:36:13Z)
Contaminated Images Recovery by Implementing Non-negative Matrix Factorisation [0.0]
我々は,従来のNMF,HCNMF,L2,1-NMFアルゴリズムのロバスト性を理論的に検討し,ORLおよび拡張YaleBデータセットのロバスト性を示す実験セットを実行する。これらの手法の計算コストのため、HCNMFやL2,1-NMFモデルのような最終モデルは、この研究のパラメータに収束しない。
論文参考訳（メタデータ） (2022-11-08T13:50:27Z)
Supervised Class-pairwise NMF for Data Representation and Classification [2.7320863258816512]
非負行列分解(NMF)に基づく手法は、特定のタスクにモデルを適応させるためにコスト関数に新しい用語を追加する。 NMF法は、因子化行列を推定するための教師なしアプローチを採用する。
論文参考訳（メタデータ） (2022-09-28T04:33:03Z)
Non-Negative Matrix Factorization with Scale Data Structure Preservation [23.31865419578237]
本稿では,データ表現と次元縮小のために設計された非負行列分解法に属するモデルについて述べる。この考え方は、NMFコスト関数に、元のデータポイントと変換されたデータポイントのペアの類似度行列のスケール関係を課すペナルティ項を追加することである。提案したクラスタリングアルゴリズムは,既存のNMFベースのアルゴリズムや,実際のデータセットに適用した場合の多様体学習ベースのアルゴリズムと比較される。
論文参考訳（メタデータ） (2022-09-22T09:32:18Z)
SymNMF-Net for The Symmetric NMF Problem [62.44067422984995]
我々は,Symmetric NMF問題に対するSymNMF-Netと呼ばれるニューラルネットワークを提案する。各ブロックの推測は最適化の単一イテレーションに対応することを示す。実世界のデータセットに関する実証的な結果は、我々のSymNMF-Netの優位性を示している。
論文参考訳（メタデータ） (2022-05-26T08:17:39Z)
Log-based Sparse Nonnegative Matrix Factorization for Data Representation [55.72494900138061]
非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
論文参考訳（メタデータ） (2022-04-22T11:38:10Z)
Feature Weighted Non-negative Matrix Factorization [92.45013716097753]
本稿では,FNMF(Feature weighted Non- negative Matrix Factorization)を提案する。 FNMFはその重要性に応じて特徴の重みを適応的に学習する。提案する最適化アルゴリズムを用いて効率的に解くことができる。
論文参考訳（メタデータ） (2021-03-24T21:17:17Z)
Entropy Minimizing Matrix Factorization [102.26446204624885]
NMF(Nonnegative Matrix Factorization)は、広く使用されているデータ分析技術であり、多くの実際のタスクで印象的な結果をもたらしました。本研究では,上述の問題に対処するために,EMMF (Entropy Minimizing Matrix Factorization framework) を開発した。通常、外れ値が通常のサンプルよりもはるかに小さいことを考えると、行列分解のために新しいエントロピー損失関数が確立される。
論文参考訳（メタデータ） (2021-03-24T21:08:43Z)
Algorithms for Nonnegative Matrix Factorization with the Kullback-Leibler Divergence [20.671178429005973]
Kullback-Leibler (KL) の発散は、非負行列分解(NMF)の最も広く使われている目的関数の1つである。目的関数の非増加を保証する3つの新しいアルゴリズムを提案する。我々は、KL NMFアルゴリズムの性能に関する総合的な画像を提供するために、広範な数値実験を行う。
論文参考訳（メタデータ） (2020-10-05T11:51:39Z)
Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
異種データセットから学習した後続分布を融合する手法を提案する。我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
論文参考訳（メタデータ） (2020-07-13T03:27:45Z)

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。