論文の概要: DNNLasso: Scalable Graph Learning for Matrix-Variate Data

• arxiv url: http://arxiv.org/abs/2403.02608v1
• Date: Tue, 5 Mar 2024 02:49:00 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-06 16:30:59.403279
• Title: DNNLasso: Scalable Graph Learning for Matrix-Variate Data
• Title（参考訳）: DNNLasso: マトリックス変数データのためのスケーラブルなグラフ学習
• Authors: Meixia Lin and Yangjing Zhang
• Abstract要約: 我々は,Kronecker-sum構造精度行列を推定するための,対角非負のグラフィカルラッソモデルを提案する。 DNNLassoは、最先端の手法を精度と計算時間の両方で大きなマージンで上回る。
• 参考スコア（独自算出の注目度）: 2.7195102129095003
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of jointly learning row-wise and column-wise dependencies of matrix-variate observations, which are modelled separately by two precision matrices. Due to the complicated structure of Kronecker-product precision matrices in the commonly used matrix-variate Gaussian graphical models, a sparser Kronecker-sum structure was proposed recently based on the Cartesian product of graphs. However, existing methods for estimating Kronecker-sum structured precision matrices do not scale well to large scale datasets. In this paper, we introduce DNNLasso, a diagonally non-negative graphical lasso model for estimating the Kronecker-sum structured precision matrix, which outperforms the state-of-the-art methods by a large margin in both accuracy and computational time. Our code is available at https://github.com/YangjingZhang/DNNLasso.
• Abstract（参考訳）: 本稿では,2つの精度行列を別々にモデル化した行列変量観測の行関係と列依存性を共同学習する問題を考察する。 一般化された行列-変量ガウス図形モデルにおけるクロネッカー積精度行列の複雑な構造のため、グラフのカルテジアン積に基づくスパーサークロネッカー-サム構造が最近提案されている。 しかし、既存のクロネッカー・サム構造精密行列の推定方法は、大規模データセットに対してうまくスケールしない。 本稿では,Kronecker-sum構造的精度行列を推定するための,対角非負のグラフィカルラッソモデルであるDNNLassoを紹介する。 私たちのコードはhttps://github.com/yangjingzhang/dnnlassoで入手できます。

関連論文リスト

• Concentration of a sparse Bayesian model with Horseshoe prior in estimating high-dimensional precision matrix [0.0]
  提案手法は,高次元設定に先立って完全に規定されたホースシューを用いた後部温暖化に関する理論的結果を提供する。 また, モデルミス種別に関する新たな理論的結果も提供し, 後肢に一般的なオラクルの不等式を提供する。
  論文  参考訳（メタデータ） (2024-06-20T12:50:54Z)
• Learning Sparse High-Dimensional Matrix-Valued Graphical Models From Dependent Data [12.94486861344922]
  スパース,高次元,定常行列-ガウス時系列の条件独立グラフ(CIG)を推定する問題を考察する。 我々は、Kronecker分解性パワースペクトル密度(PSD)による問題をスパースベースで定式化することを考える。 合成データと実データの両方を利用した数値例を用いて,本手法について述べる。
  論文  参考訳（メタデータ） (2024-04-29T19:32:50Z)
• Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
  本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。 この問題は楕円分布のペナルティ化された最大推定値として表される。 楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
  論文  参考訳（メタデータ） (2022-10-21T13:19:45Z)
• Graph Polynomial Convolution Models for Node Classification of Non-Homophilous Graphs [52.52570805621925]
  本研究では,高階グラフ畳み込みからの効率的な学習と,ノード分類のための隣接行列から直接学習する。 得られたモデルが新しいグラフと残留スケーリングパラメータをもたらすことを示す。 提案手法は,非親和性パラメータのノード分類における精度の向上を実証する。
  論文  参考訳（メタデータ） (2022-09-12T04:46:55Z)
• Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
  本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。 6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-21T01:47:17Z)
• High-Dimensional Sparse Bayesian Learning without Covariance Matrices [66.60078365202867]
  共分散行列の明示的な構成を避ける新しい推論手法を提案する。 本手法では, 数値線形代数と共役勾配アルゴリズムの対角線推定結果とを結合する。 いくつかのシミュレーションにおいて,本手法は計算時間とメモリにおける既存手法よりも拡張性が高い。
  論文  参考訳（メタデータ） (2022-02-25T16:35:26Z)
• Sketching as a Tool for Understanding and Accelerating Self-attention for Long Sequences [52.6022911513076]
  トランスフォーマーベースのモデルは、自己アテンションモジュールの二次空間と時間的複雑さのために、長いシーケンスを処理するのに効率的ではない。 我々はLinformerとInformerを提案し、低次元投影と行選択により2次複雑性を線形(モジュラー対数因子)に還元する。 理論的解析に基づいて,Skeinformerを提案することにより,自己注意の促進と,自己注意への行列近似の精度の向上を図ることができる。
  論文  参考訳（メタデータ） (2021-12-10T06:58:05Z)
• Robust 1-bit Compressive Sensing with Partial Gaussian Circulant Matrices and Generative Priors [54.936314353063494]
  我々は,ロバストな1ビット圧縮センシングのための相関に基づく最適化アルゴリズムのリカバリ保証を提供する。 我々は,実用的な反復アルゴリズムを用いて,画像データセットの数値実験を行い,結果の相関付けを行う。
  論文  参考訳（メタデータ） (2021-08-08T05:28:06Z)
• EiGLasso for Scalable Sparse Kronecker-Sum Inverse Covariance Estimation [1.370633147306388]
  我々はKronecker-sum逆共分散推定のための高度にスケーラブルなKronecker-sum逆共分散推定法であるEeiGLassoを紹介する。 EiGLassoは既存の手法に比べて2～3桁の速度アップを実現していることを示す。
  論文  参考訳（メタデータ） (2021-05-20T16:22:50Z)
• Learnable Graph-regularization for Matrix Decomposition [5.9394103049943485]
  本稿では,行列分解のための学習可能なグラフ正規化モデルを提案する。 グラフ正規化法と確率行列分解モデルの間のブリッジを構築する。 スパース精度行列推定により、2つのグラフィカル構造をリアルタイムで反復的に学習する。
  論文  参考訳（メタデータ） (2020-10-16T17:12:39Z)

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。