Fugu-MT 論文翻訳(概要): Federated Multilinear Principal Component Analysis with Applications in Prognostics

論文の概要: Federated Multilinear Principal Component Analysis with Applications in Prognostics

arxiv url: http://arxiv.org/abs/2312.06050v2
Date: Sun, 28 Apr 2024 21:21:45 GMT
ステータス: 処理完了
システム内更新日: 2024-05-01 00:15:22.129999
Title: Federated Multilinear Principal Component Analysis with Applications in Prognostics
Title（参考訳）: フェデレーション型多線形主成分分析と予後学への応用
Authors: Chengyu Zhou, Yuqi Su, Tangbin Xia, 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）: 1.7811840395202345
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。このギャップに対処するため、本稿では、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、テンソルデータの寸法を協調的に削減できるFMPCA(Federated Multilinear principal Component Analysis)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。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て,提案手法の性能評価を行う。

関連論文リスト

Sparse outlier-robust PCA for multi-source data [2.3226893628361687]
そこで本研究では,重要な特徴と局所的なソース固有パターンを同時に選択する新しいPCA手法を提案する。我々は,グローバルな局所構造的空間パターンに対応するペナルティを持つ正規化問題を開発する。本稿では,乗算器の交互方向法による提案手法の効率的な実装について述べる。
論文参考訳（メタデータ） (2024-07-23T08:55:03Z)
Completed Feature Disentanglement Learning for Multimodal MRIs Analysis [36.32164729310868]
特徴不整合(FD)に基づく手法はマルチモーダルラーニング(MML)において大きな成功を収めた本稿では,特徴デカップリング時に失われた情報を復元する完全特徴分散(CFD)戦略を提案する。具体的には、CFD戦略は、モダリティ共有とモダリティ固有の特徴を識別するだけでなく、マルチモーダル入力のサブセット間の共有特徴を分離する。
論文参考訳（メタデータ） (2024-07-06T01:49:38Z)
Federated Binary Matrix Factorization using Proximal Optimization [43.01276597844757]
本稿では,最先端の2値行列分解緩和をBMFに適用する。提案アルゴリズムは,実世界および合成データの多種多様なセット上で,最先端のBMF手法のフェデレーションスキームにおいて,品質と有効性において優れることを示す。
論文参考訳（メタデータ） (2024-07-01T20:10:24Z)
Multi-Epoch learning with Data Augmentation for Deep Click-Through Rate Prediction [53.88231294380083]
非連続的な学習シナリオと連続的な学習シナリオの両方に適合する、新しいMulti-Epoch Learning with Data Augmentation (MEDA)フレームワークを導入する。 MEDAは、その後のトレーニングデータへの埋め込み層の依存性を減らし、過度な適合を最小化する。実験の結果,プレトレーニングした層が新しい埋め込み空間に適応し,過度に適合することなく性能を向上できることが確認された。
論文参考訳（メタデータ） (2024-06-27T04:00:15Z)
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)
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)
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。