論文の概要: On the Relation Between Autoencoders and Non-negative Matrix Factorization, and Their Application for Mutational Signature Extraction
- arxiv url: http://arxiv.org/abs/2405.07879v1
- Date: Mon, 13 May 2024 16:09:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-14 12:56:21.405449
- Title: On the Relation Between Autoencoders and Non-negative Matrix Factorization, and Their Application for Mutational Signature Extraction
- Title（参考訳）: オートエンコーダと非負行列分解の関係と変異信号抽出への応用
- Authors: Ida Egendal, Rasmus Froberg Brøndum, Marta Pelizzola, Asger Hobolth, Martin Bøgsted,
- Abstract要約: NMFをオートエンコーダに置き換える研究がいくつか提案されている。
非負の自己エンコーダとNMFの正確な関係は明らかにされていない。
また,NMFに基づく再構成は,オートエンコーダよりも精度が高いことがわかった。
- 参考スコア（独自算出の注目度）: 0.2936007114555107
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The aim of this study is to provide a foundation to understand the relationship between non-negative matrix factorization (NMF) and non-negative autoencoders enabling proper interpretation and understanding of autoencoder-based alternatives to NMF. Since its introduction, NMF has been a popular tool for extracting interpretable, low-dimensional representations of high-dimensional data. However, recently, several studies have proposed to replace NMF with autoencoders. This increasing popularity of autoencoders warrants an investigation on whether this replacement is in general valid and reasonable. Moreover, the exact relationship between non-negative autoencoders and NMF has not been thoroughly explored. Thus, a main aim of this study is to investigate in detail the relationship between non-negative autoencoders and NMF. We find that the connection between the two models can be established through convex NMF, which is a restricted case of NMF. In particular, convex NMF is a special case of an autoencoder. The performance of NMF and autoencoders is compared within the context of extraction of mutational signatures from cancer genomics data. We find that the reconstructions based on NMF are more accurate compared to autoencoders, while the signatures extracted using both methods show comparable consistencies and values when externally validated. These findings suggest that the non-negative autoencoders investigated in this article do not provide an improvement of NMF in the field of mutational signature extraction.
- Abstract（参考訳）: 本研究の目的は,非負の行列分解(NMF)と非負の自己エンコーダの関係を理解する基盤を提供することである。
導入以来、NMFは高次元データの解釈可能な低次元表現を抽出するための一般的なツールである。
しかし近年、NMFをオートエンコーダに置き換える研究がいくつか提案されている。
このオートエンコーダの普及は、この代替が一般的に有効で妥当かどうかの調査を保証している。
さらに、非負の自己エンコーダとNMFの正確な関係は、完全には解明されていない。
そこで本研究では,非負の自己エンコーダとNMFの関係を詳細に検討することを目的とする。
2つのモデル間の接続は、NMFの制限された場合である凸NMFによって確立できる。
特に凸 NMF はオートエンコーダの特別な場合である。
NMFとオートエンコーダのパフォーマンスは、がんゲノムデータから突然変異シグネチャを抽出する文脈で比較される。
NMFに基づく再構成は, オートエンコーダよりも精度が高いが, 両手法で抽出したシグネチャは, 外部から検証した場合と同等の成分と値を示す。
以上の結果から,本論文では非負の自己エンコーダが変異シグネチャ抽出の分野でNMFの改善に寄与しないことが示唆された。
関連論文リスト
- Unitary Approximate Message Passing for Matrix Factorization [90.84906091118084]
行列分解 (MF) を一定の制約で考慮し, 様々な分野の応用を見いだす。
我々は,効率の良いメッセージパッシング実装であるUAMPMFを用いて,MFに対するベイズ的アプローチを開発する。
UAMPMFは、回復精度、ロバスト性、計算複雑性の観点から、最先端のアルゴリズムを著しく上回ることを示す。
論文 参考訳（メタデータ） (2022-07-31T12:09:32Z) - 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) - Finding Rule-Interpretable Non-Negative Data Representation [2.817412580574242]
ルールベース記述と部分ベース表現の利点を融合したNMF方式を提案する。
提案手法は、集中型埋め込みや教師付きマルチラベルNMFの実行といったタスクにおいて、多くの利点を提供する。
論文 参考訳（メタデータ） (2022-06-03T10:20:46Z) - Sparse Conditional Hidden Markov Model for Weakly Supervised Named
Entity Recognition [68.68300358332156]
雑音ラベリング機能を評価するために,スパース条件付き隠れマルコフモデル(Sparse-CHMM)を提案する。
Sparse-CHMMは、3段階のトレーニングパイプラインで教師なし学習によって最適化される。
5つの包括的なデータセットで平均F1スコアが3.01向上する。
論文 参考訳（メタデータ） (2022-05-27T20:47:30Z) - 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) - Co-Separable Nonnegative Matrix Factorization [20.550794776914508]
非負行列分解(NMF)はパターン認識の分野で人気があるモデルである。
我々はこのNMFをCoS-NMF(CoS-NMF)と呼ぶ。
CoS-NMFの最適化モデルを提案し,その解法に置換高速勾配法を適用した。
論文 参考訳（メタデータ） (2021-09-02T07:05:04Z) - Self-supervised Symmetric Nonnegative Matrix Factorization [82.59905231819685]
シンメトリー非負係数行列(SNMF)は、データクラスタリングの強力な方法であることを示した。
より良いクラスタリング結果を求めるアンサンブルクラスタリングにインスパイアされた,自己監視型SNMF(S$3$NMF)を提案する。
SNMFのコード特性に対する感度を、追加情報に頼らずに活用しています。
論文 参考訳（メタデータ） (2021-03-02T12:47:40Z) - Federated Deep AUC Maximization for Heterogeneous Data with a Constant
Communication Complexity [77.78624443410216]
異種胸部データ検出のための改良型FDAMアルゴリズムを提案する。
本研究は,提案アルゴリズムの通信が機械数に強く依存し,精度レベルにも強く依存していることを示す。
FDAMアルゴリズムのベンチマークデータセットと、異なる組織の医療用胸部X線画像に対する効果を実験により実証した。
論文 参考訳（メタデータ） (2021-02-09T04:05:19Z) - Nonnegative Matrix Factorization with Zellner Penalty [0.0]
非負行列ファクタリゼーション(NMF)は、非負データ行列を部分ベース、低次元、線形表現に分解する比較的新しい教師なし学習アルゴリズムである。
本稿では,データ依存的制約を用いたZellner non negative matrix factorization (ZNMF)を提案する。
ケンブリッジ ORL データベースを用いて,ZNMF アルゴリズムと他のよく知られた制約付きNMF アルゴリズムの顔認識性能を評価する。
論文 参考訳（メタデータ） (2020-12-07T18:11:02Z) - Positive Semidefinite Matrix Factorization: A Connection with Phase
Retrieval and Affine Rank Minimization [71.57324258813674]
位相探索(PR)とアフィンランク最小化(ARM)アルゴリズムに基づいてPSDMFアルゴリズムを設計可能であることを示す。
このアイデアに触発され、反復的ハードしきい値(IHT)に基づくPSDMFアルゴリズムの新たなファミリーを導入する。
論文 参考訳（メタデータ） (2020-07-24T06:10:19Z) - 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。
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。