論文の概要: Nonnegative Matrix Factorization in Dimensionality Reduction: A Survey

• arxiv url: http://arxiv.org/abs/2405.03615v1
• Date: Mon, 6 May 2024 16:32:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-07 13:07:25.321595
• Title: Nonnegative Matrix Factorization in Dimensionality Reduction: A Survey
• Title（参考訳）: 次元性低下における非負行列因子化:サーベイ
• Authors: Farid Saberi-Movahed, Kamal Berahman, Razieh Sheikhpour, Yuefeng Li, Shirui Pan,
• Abstract要約: 次元性低減は、特徴学習の精度を改善し、トレーニング時間を短縮する上で重要な役割を果たす。 非負行列因子化 (NMF) は次元減少のための人気かつ強力な方法として浮上している。 本稿では,NMFの総合的な調査を行い,特徴抽出と特徴選択の両分野への応用に焦点をあてる。
• 参考スコア（独自算出の注目度）: 45.06188379747932
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dimensionality Reduction plays a pivotal role in improving feature learning accuracy and reducing training time by eliminating redundant features, noise, and irrelevant data. Nonnegative Matrix Factorization (NMF) has emerged as a popular and powerful method for dimensionality reduction. Despite its extensive use, there remains a need for a comprehensive analysis of NMF in the context of dimensionality reduction. To address this gap, this paper presents a comprehensive survey of NMF, focusing on its applications in both feature extraction and feature selection. We introduce a classification of dimensionality reduction, enhancing understanding of the underlying concepts. Subsequently, we delve into a thorough summary of diverse NMF approaches used for feature extraction and selection. Furthermore, we discuss the latest research trends and potential future directions of NMF in dimensionality reduction, aiming to highlight areas that need further exploration and development.
• Abstract（参考訳）: 次元性低減は、冗長な特徴やノイズ、無関係なデータを排除し、特徴学習の精度を改善し、訓練時間を短縮する上で重要な役割を担っている。 非負行列因子化 (NMF) は次元減少のための人気かつ強力な方法として浮上している。 広範に使われているにもかかわらず、次元の減少という文脈において、NMFを包括的に分析する必要がある。 このギャップに対処するため,本稿では,特徴抽出と特徴選択の両分野におけるNMFの適用性に着目し,NMFの包括的調査を行う。 本稿では,次元還元の分類を導入し,基礎となる概念の理解を深める。 その後、特徴抽出と選択に使用される多種多様なNMFアプローチの概要を掘り下げる。 さらに,NMFの次元化における最新の研究動向と今後の方向性について考察し,さらなる探索・開発を必要とする領域の強調をめざした。

関連論文リスト

• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• RecFNO: a resolution-invariant flow and heat field reconstruction method from sparse observations via Fourier neural operator [8.986743262828009]
  本稿では,RecFNOという優れた性能とメッシュ転送性を備えたエンド・ツー・エンドの物理場再構成手法を提案する。 提案手法は, スパース観測から無限次元空間における流れと熱場への写像を学習することを目的としている。 流体力学および熱力学に関する実験により,提案手法は既存のPOD法およびCNN法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2023-02-20T07:20:22Z)
• DimenFix: A novel meta-dimensionality reduction method for feature preservation [64.0476282000118]
  そこで我々は, グラデーション・ディフレッシブなプロセスを含む任意の基本次元還元法で操作できる新しいメタメソド, DimenFixを提案する。 DimenFixは、ディメンタリティの削減と見なされるさまざまな機能の重要性をユーザが定義できるようにすることで、与えられたデータセットを視覚化し、理解する新たな可能性を生み出します。
  論文  参考訳（メタデータ） (2022-11-30T05:35:22Z)
• Adaptive Weighted Nonnegative Matrix Factorization for Robust Feature Representation [9.844796520630522]
  非負行列分解(NMF)は、機械学習における次元の減少に広く用いられている。 従来のNMFは、ノイズに敏感であるように、アウトリーチを適切に扱わない。 本稿では,各データポイントの異なる重要性を強調するため,重み付き適応重み付きNMFを提案する。
  論文  参考訳（メタデータ） (2022-06-07T05:27:08Z)
• Hyperspectral Unmixing Based on Nonnegative Matrix Factorization: A Comprehensive Review [25.50091058791411]
  ハイパースペクトルアンミックスは、ハイパースペクトル画像から、一組のエンドメンバーとその対応する存在量を推定する。 非負行列分解(NMF)は、この問題の解決にますます重要な役割を果たす。 HSIの主特性を利用してNMFを改善する方法について述べる。
  論文  参考訳（メタデータ） (2022-05-20T02:48:43Z)
• 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)
• 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)
• Algorithms for Nonnegative Matrix Factorization with the Kullback-Leibler Divergence [20.671178429005973]
  Kullback-Leibler (KL) の発散は、非負行列分解(NMF)の最も広く使われている目的関数の1つである。 目的関数の非増加を保証する3つの新しいアルゴリズムを提案する。 我々は、KL NMFアルゴリズムの性能に関する総合的な画像を提供するために、広範な数値実験を行う。
  論文  参考訳（メタデータ） (2020-10-05T11:51:39Z)
• Semi-supervised deep learning for high-dimensional uncertainty quantification [6.910275451003041]
  本稿では,次元削減と信頼性解析のための半教師付き学習フレームワークを提案する。 オートエンコーダは、まず高次元空間を低次元潜在空間にマッピングするために用いられる。 ディープフィードフォワードニューラルネットワークを用いてマッピング関係を学習し、潜伏空間を再構築する。
  論文  参考訳（メタデータ） (2020-06-01T15:15:42Z)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)

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。