論文の概要: Federated Multilinear Principal Component Analysis with Applications in
Prognostics
- arxiv url: http://arxiv.org/abs/2312.06050v1
- Date: Mon, 11 Dec 2023 00:46:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-12 17:15:29.219965
- Title: Federated Multilinear Principal Component Analysis with Applications in
Prognostics
- Title(参考訳): フェデレーション多線形主成分分析と予後学への応用
- Authors: Chengyu Zhou, Yuqi Su, Tangbin Xia and Xiaolei Fang
- Abstract要約: 本稿では,FMPCA法を提案する。
複数のユーザが,各ユーザのデータをローカルかつ機密に保ちながら,テンソルデータの次元を共同で削減することができる。
また, 工業用診断学におけるFMPCAの応用を実証した。
- 参考スコア(独自算出の注目度): 1.9458156037869137
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multilinear Principal Component Analysis (MPCA) is a widely utilized method
for the dimension reduction of tensor data. However, the integration of MPCA
into federated learning remains unexplored in existing research. To tackle this
gap, this article proposes a Federated Multilinear Principal Component Analysis
(FMPCA) method, which enables multiple users to collaboratively reduce the
dimension of their tensor data while keeping each user's data local and
confidential. The proposed FMPCA method is guaranteed to have the same
performance as traditional MPCA. An application of the proposed FMPCA in
industrial prognostics is also demonstrated. Simulated data and a real-world
data set are used to validate the performance of the proposed method.
- Abstract(参考訳): マルチ線形主成分分析(MPCA)はテンソルデータの次元削減に広く用いられている手法である。
しかし、既存の研究では、MPCAのフェデレーションラーニングへの統合は未解明のままである。
そこで本稿では,複数のユーザが,各ユーザのデータを局所的かつ機密的に保持しつつ,テンソルデータの次元を協調的に削減できるフェデレーションマルチリニア主成分分析(fmpca)手法を提案する。
提案手法は従来のMPCAと同等の性能が保証されている。
また, 工業用診断学におけるFMPCAの応用を実証した。
提案手法の性能を検証するためにシミュレーションデータと実世界のデータセットを用いる。
関連論文リスト
- Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field
and Online Inference [50.91823345296243]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳(メタデータ) (2023-12-10T15:22:30Z) - Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳(メタデータ) (2023-09-25T12:31:18Z) - MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated
Learning [92.91544082745196]
フェデレートラーニング(FL)は医用画像解析に広く用いられている。
FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。
2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-03T14:06:03Z) - The Labeled Multiple Canonical Correlation Analysis for Information
Fusion [25.23035811685684]
Labeled Multiple Canonical Correlation Analysis (LMCCA) に基づくマルチモーダル情報融合と表現の新しい方法を紹介します。
LMCCAのプロトタイプを実装し,手書き文字認識,顔認識,物体認識において有効性を示す。
論文 参考訳(メタデータ) (2021-02-28T00:13:36Z) - Improved Dimensionality Reduction of various Datasets using Novel
Multiplicative Factoring Principal Component Analysis (MPCA) [0.0]
本稿では,従来のPCA手法である乗算因子分解主成分分析の改良について述べる。
従来のPCAに対するMPCAの利点は、乗算器を通して発生空間にペナルティを課すことで、射影の探索において、アウトレーヤの効果を無視できることである。
論文 参考訳(メタデータ) (2020-09-25T12:30:15Z) - Modal Principal Component Analysis [3.050919759387985]
平均推定の代わりにモード推定を用いて,多くの統計的手法のロバスト性を向上できることが示されている。
本研究では,モード推定に基づく頑健なPCA手法であるMPCAを提案する。
論文 参考訳(メタデータ) (2020-08-07T23:59:05Z) - A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。
提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
論文 参考訳(メタデータ) (2020-06-08T02:39:59Z) - Physically interpretable machine learning algorithm on multidimensional
non-linear fields [0.0]
PCE(Polynomial Chaos Expansion)は、確率的入出力マッピングの堅牢な表現として長年使われてきた。
パターン認識やデータ圧縮にDR技術がますます使われている。
本研究の目的は,PODとPCEを組み合わせてフィールド計測に基づく予測を行うことである。
論文 参考訳(メタデータ) (2020-05-28T11:26:06Z) - Federated Multi-view Matrix Factorization for Personalized
Recommendations [53.74747022749739]
本稿では,フェデレートされた学習フレームワークを,複数のデータソースを用いた行列分解に拡張する,フェデレートされたマルチビュー行列分解手法を提案する。
本手法では,ユーザの個人情報を中央サーバに転送することなく,マルチビューモデルを学習することができる。
論文 参考訳(メタデータ) (2020-04-08T21:07:50Z) - Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。
従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。
本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文 参考訳(メタデータ) (2020-04-07T04:07:29Z)
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。