Fugu-MT 論文翻訳(概要): Rethinking Non-Negative Matrix Factorization with Implicit Neural Representations

論文の概要: Rethinking Non-Negative Matrix Factorization with Implicit Neural Representations

arxiv url: http://arxiv.org/abs/2404.04439v1
Date: Fri, 5 Apr 2024 22:48:57 GMT
ステータス: 処理完了
システム内更新日: 2024-04-09 21:18:18.364252
Title: Rethinking Non-Negative Matrix Factorization with Implicit Neural Representations
Title（参考訳）: 帰納的ニューラル表現を用いた非負行列因子化の再考
Authors: Krishna Subramani, Paris Smaragdis, Takuya Higuchi, Mehrez Souden,
Abstract要約: 非負行列因子化(NMF)は、定期的にサンプリングされたデータを解析する強力な手法である。 NMFは、定期的にサンプリングされる必要のない幅広い信号クラスに拡張可能であることを示す。
参考スコア（独自算出の注目度）: 12.523602162333932
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Non-negative Matrix Factorization (NMF) is a powerful technique for analyzing regularly-sampled data, i.e., data that can be stored in a matrix. For audio, this has led to numerous applications using time-frequency (TF) representations like the Short-Time Fourier Transform. However extending these applications to irregularly-spaced TF representations, like the Constant-Q transform, wavelets, or sinusoidal analysis models, has not been possible since these representations cannot be directly stored in matrix form. In this paper, we formulate NMF in terms of continuous functions (instead of fixed vectors) and show that NMF can be extended to a wider variety of signal classes that need not be regularly sampled.
Abstract（参考訳）: 非負行列因子化(Non- negative Matrix Factorization、NMF)は、定期的にサンプリングされたデータ、すなわち行列に格納できるデータを分析する強力な手法である。オーディオでは、ショート・タイム・フーリエ変換のような時間周波数(TF)表現を使用する多くのアプリケーションに繋がった。しかし、これらのアプリケーションを定数-Q変換やウェーブレット、正弦波解析モデルのような不規則に空間化されたTF表現に拡張することは、これらの表現を直接行列形式に格納できないため不可能である。本稿では、NMFを連続関数(固定ベクトルの代わりに)で定式化し、NMFが定期的にサンプリングされる必要のないより広い種類の信号クラスに拡張可能であることを示す。

関連論文リスト

Neural Fourier Modelling: A Highly Compact Approach to Time-Series Analysis [9.969451740838418]
時系列解析のためのコンパクトで強力なソリューションであるニューラルフーリエモデリング(NFM)を導入する。 NFM はフーリエ変換 (FT) の2つの重要な性質 (i) 有限長時系列をフーリエ領域の関数としてモデル化する能力 (ii) フーリエ領域内のデータ操作の能力 (ii) に基礎を置いている。 NFMは幅広いタスクで最先端のパフォーマンスを達成しており、テスト時にこれまで見つからなかったサンプリングレートを持つ時系列シナリオに挑戦する。
論文参考訳（メタデータ） (2024-10-07T02:39:55Z)
A Poisson-Gamma Dynamic Factor Model with Time-Varying Transition Dynamics [51.147876395589925]
非定常PGDSは、基礎となる遷移行列が時間とともに進化できるように提案されている。後続シミュレーションを行うために, 完全共役かつ効率的なギブスサンプリング装置を開発した。実験により,提案した非定常PGDSは,関連するモデルと比較して予測性能が向上することを示した。
論文参考訳（メタデータ） (2024-02-26T04:39:01Z)
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)
Large-scale gradient-based training of Mixtures of Factor Analyzers [67.21722742907981]
本稿では,勾配降下による高次元学習を効果的に行うための理論解析と新しい手法の両立に寄与する。 MFAトレーニングと推論/サンプリングは,学習終了後の行列逆変換を必要としない精度行列に基づいて行うことができることを示す。理論解析と行列の他に,SVHNやMNISTなどの画像データセットにMFAを適用し,サンプル生成と外乱検出を行う能力を示す。
論文参考訳（メタデータ） (2023-08-26T06:12:33Z)
Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。この研究は、単一変換による周波数領域学習のための青写真を導入している。
論文参考訳（メタデータ） (2022-11-26T01:56:05Z)
Nonparametric Factor Trajectory Learning for Dynamic Tensor Decomposition [20.55025648415664]
動的テンソル分解(NONFAT)のためのNON FActor Trajectory Learningを提案する。我々は第2レベルのGPを用いてエントリ値をサンプリングし、エンティティ間の時間的関係をキャプチャする。実世界のいくつかの応用において,本手法の利点を示した。
論文参考訳（メタデータ） (2022-07-06T05:33:00Z)
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)
Nonstationary Temporal Matrix Factorization for Multivariate Time Series Forecasting [18.910448998549185]
非定常的時間的行列分解(NoTMF)モデルを用いて時系列行列全体を再構成し、時間的因子行列の適切に区別されたコピーにベクトル自己回帰過程を課す。我々は,他のベースラインモデルと比較して,NOTMFの精度と有効性を示す。また,Uberのトラフィックフローや速度など,実世界の時系列データの非定常性に対処することが重要であることも確認した。
論文参考訳（メタデータ） (2022-03-20T21:22:39Z)
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)
Sparse Quantized Spectral Clustering [85.77233010209368]
このような非線形変換の下で行列の固有スペクトルがどのように変化するのかを、ランダム行列理論のツールを用いて正確に述べる。急激なスペーシング/量子化の下でも,情報的固有構造にはほとんど変化は見られなかった。
論文参考訳（メタデータ） (2020-10-03T15:58:07Z)
Sparse Separable Nonnegative Matrix Factorization [22.679160149512377]
非負行列分解(NMF)の新しい変種を提案する。分離性は、第1NMF因子の列が入力行列の列に等しいのに対して、スパース性は第2NMF因子の列がスパースであることが要求される。雑音のない環境では、軽微な仮定の下で、我々のアルゴリズムが真に根底にある情報源を復元することを証明する。
論文参考訳（メタデータ） (2020-06-13T03:52:29Z)

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。