論文の概要: On the Robustness of Cross-Concentrated Sampling for Matrix Completion

• arxiv url: http://arxiv.org/abs/2401.15566v1
• Date: Sun, 28 Jan 2024 04:18:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 17:38:37.628431
• Title: On the Robustness of Cross-Concentrated Sampling for Matrix Completion
• Title（参考訳）: マトリックス完成のためのクロス集中サンプリングのロバスト性について
• Authors: HanQin Cai and Longxiu Huang and Chandra Kundu and Bowen Su
• Abstract要約: クロス集中型マトリクス合成のための新しいサンプリングモデルが注目されている。 スパースアウトレーヤに対するモデルの堅牢性は、まだ不明である。
• 参考スコア（独自算出の注目度）: 5.765241048108365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Matrix completion is one of the crucial tools in modern data science research. Recently, a novel sampling model for matrix completion coined cross-concentrated sampling (CCS) has caught much attention. However, the robustness of the CCS model against sparse outliers remains unclear in the existing studies. In this paper, we aim to answer this question by exploring a novel Robust CCS Completion problem. A highly efficient non-convex iterative algorithm, dubbed Robust CUR Completion (RCURC), is proposed. The empirical performance of the proposed algorithm, in terms of both efficiency and robustness, is verified in synthetic and real datasets.
• Abstract（参考訳）: マトリックスの完成は、現代のデータサイエンス研究において重要なツールの1つである。 近年,行列完成型クロス集中サンプリング(CCS)の新たなサンプリングモデルが注目されている。 しかし, CCSモデルがスパースアウトレーヤに対して頑健であることは, 既存の研究で明らかでない。 本稿では,ロバストCCS補完問題を探究し,この問題に対処することを目的とする。 Robust CUR Completion (RCURC) と呼ばれる高効率な非凸反復アルゴリズムを提案する。 提案アルゴリズムの効率性とロバスト性の両方の観点からの経験的性能は、合成データと実データで検証される。

関連論文リスト

• Guaranteed Sampling Flexibility for Low-tubal-rank Tensor Completion [6.065229938974932]
  Cross-Concentrated Smpling (t-CCS) は、テンソルフレームワーク内での行列のクロス集中サンプリングを前進させる、新しく簡単なサンプリングモデルである。 我々は,t-CCSがBernoulliとt-CURのサンプリングのギャップを効果的に埋めることを示し,様々なコンテキストにおける節約につながる柔軟性を提供する。
  論文  参考訳（メタデータ） (2024-06-16T22:45:56Z)
• Latent Semantic Consensus For Deterministic Geometric Model Fitting [109.44565542031384]
  我々はLSC(Latent Semantic Consensus)と呼ばれる効果的な方法を提案する。 LSCは、モデルフィッティング問題をデータポイントとモデル仮説に基づく2つの潜在意味空間に定式化する。 LSCは、一般的な多構造モデルフィッティングのために、数ミリ秒以内で一貫した、信頼性の高いソリューションを提供することができる。
  論文  参考訳（メタデータ） (2024-03-11T05:35:38Z)
• Deep Unrolling for Nonconvex Robust Principal Component Analysis [75.32013242448151]
  我々はロバスト成分分析のためのアルゴリズムを設計する(A) 行列を低主行列とスパース主行列の和に分解する。
  論文  参考訳（メタデータ） (2023-07-12T03:48:26Z)
• Robust AUC Optimization under the Supervision of Clean Data [0.0]
  クリーンサンプルを有効利用した堅牢なAUC最適化アルゴリズム(RAUCO)を提案する。 我々のRAUCOアルゴリズムは, クリーンサンプルの監督の下で, SPL(Self-paced Learning)技術を用いることで, トレーニングからノイズサンプルを除去することができる。
  論文  参考訳（メタデータ） (2022-11-19T15:28:19Z)
• Detection and Evaluation of Clusters within Sequential Data [58.720142291102135]
  Block Markov Chainsのクラスタリングアルゴリズムは理論的最適性を保証する。 特に、私たちのシーケンシャルデータは、ヒトのDNA、テキスト、動物運動データ、金融市場から派生しています。 ブロックマルコフ連鎖モデルの仮定は、実際に探索データ解析において有意義な洞察を得られることが判明した。
  論文  参考訳（メタデータ） (2022-10-04T15:22:39Z)
• Matrix Completion with Cross-Concentrated Sampling: Bridging Uniform Sampling and CUR Sampling [18.09217486376571]
  Cross-Concentrated Sampling (CCS)は、アプリケーションのサンプリングコストを削減できる柔軟性を提供する。 Cross-Concentrated Sampling (CCS)は、アプリケーションのサンプリングコストを削減できる柔軟性を提供する。 Iterative CUR Completion (ICURC) は高効率な非一様サンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-08-20T17:13:43Z)
• Delving into High-Quality Synthetic Face Occlusion Segmentation Datasets [83.749895930242]
  そこで本研究では,高品質な自然主義的合成隠蔽顔を製造するための2つの手法を提案する。 両手法の有効性とロバスト性を実証的に示す。 我々は,RealOccとRealOcc-Wildという,微細なアノテーションを付加した高精細な実世界の顔データセットを2つ提示する。
  論文  参考訳（メタデータ） (2022-05-12T17:03:57Z)
• SreaMRAK a Streaming Multi-Resolution Adaptive Kernel Algorithm [60.61943386819384]
  既存のKRRの実装では、すべてのデータがメインメモリに格納される必要がある。 KRRのストリーミング版であるStreaMRAKを提案する。 本稿では,2つの合成問題と2重振り子の軌道予測について紹介する。
  論文  参考訳（メタデータ） (2021-08-23T21:03:09Z)
• COAST: COntrollable Arbitrary-Sampling NeTwork for Compressive Sensing [27.870537087888334]
  本研究では,任意のサンプリング(サンプリング行列を含む)の問題を1つのモデルで解くために,COAST(Arbitrary-Sampling neTwork)を提案する。 COASTは1つのモデルで任意のサンプリング行列を処理でき、高速で最先端のパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2021-07-15T10:05:00Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)

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。