論文の概要: Tensor Methods in High Dimensional Data Analysis: Opportunities and Challenges

• arxiv url: http://arxiv.org/abs/2405.18412v1
• Date: Tue, 28 May 2024 17:54:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-29 17:11:13.242830
• Title: Tensor Methods in High Dimensional Data Analysis: Opportunities and Challenges
• Title（参考訳）: 高次元データ解析におけるテンソル法--可能性と課題
• Authors: Arnab Auddy, Dong Xia, Ming Yuan,
• Abstract要約: マルチウェイアレイやテンソルは、化学、ゲノミクス、物理学、心理学、信号処理などの様々な分野にまたがる現代の応用で広く使われている。 これらの課題に対処するには、統計学、最適化、数値線形代数などの分野からツールと洞察をまとめる学際的なアプローチが必要である。 このレビューでは、いくつかの重要な進歩を調べ、その中の共通スレッドを8つの異なる統計的設定の下で識別する。
• 参考スコア（独自算出の注目度）: 16.544309363025324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large amount of multidimensional data represented by multiway arrays or tensors are prevalent in modern applications across various fields such as chemometrics, genomics, physics, psychology, and signal processing. The structural complexity of such data provides vast new opportunities for modeling and analysis, but efficiently extracting information content from them, both statistically and computationally, presents unique and fundamental challenges. Addressing these challenges requires an interdisciplinary approach that brings together tools and insights from statistics, optimization and numerical linear algebra among other fields. Despite these hurdles, significant progress has been made in the last decade. This review seeks to examine some of the key advancements and identify common threads among them, under eight different statistical settings.
• Abstract（参考訳）: マルチウェイアレイやテンソルで表される多次元データは、化学、ゲノミクス、物理学、心理学、信号処理などの様々な分野にまたがる現代の応用で広く使われている。 このようなデータの構造的複雑さは、モデリングと分析のための大きな新しい機会を提供するが、統計的にも計算的にも、それらから情報コンテンツを効率的に抽出することは、独特で根本的な課題をもたらす。 これらの課題に対処するには、統計学、最適化、数値線形代数などの分野からツールと洞察をまとめる学際的なアプローチが必要である。 これらのハードルにもかかわらず、この10年で大きな進歩を遂げた。 このレビューでは、いくつかの重要な進歩を調べ、その中の共通スレッドを8つの異なる統計的設定の下で識別する。

関連論文リスト

• Simultaneous Dimensionality Reduction for Extracting Useful Representations of Large Empirical Multimodal Datasets [0.0]
  我々は,高次元データから低次元記述を得る手段として,次元減少の科学に焦点をあてる。 我々は,システム内の複雑な相互作用や高次元力学系など,従来の仮定に反する実世界のデータによって引き起こされる課題に対処する。
  論文  参考訳（メタデータ） (2024-10-23T21:27:40Z)
• Transforming Multidimensional Time Series into Interpretable Event Sequences for Advanced Data Mining [5.2863523790908955]
  本稿では,多次元時系列解析における従来の手法の限界に対処する新しい表現モデルを提案する。 提案するフレームワークは,ITインフラの監視と最適化,継続的な患者モニタリングによる診断,トレンド分析,インターネットビジネスによるユーザ行動の追跡,予測など,さまざまな分野のアプリケーションに対して大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-09-22T06:27:07Z)
• High-dimensional learning of narrow neural networks [1.7094064195431147]
  この原稿は、機械学習の最近の進歩の根底にあるツールとアイデアをレビューしている。 本稿では,これまで研究されてきたモデルを特殊インスタンスとして包含する汎用モデル(シーケンスマルチインデックスモデル)を提案する。 複製法や近似メッセージパッシングアルゴリズムなどの統計物理手法を用いて,シーケンス多重インデックスモデルの学習過程を詳細に解析する。
  論文  参考訳（メタデータ） (2024-09-20T21:20:04Z)
• SIaM: Self-Improving Code-Assisted Mathematical Reasoning of Large Language Models [54.78329741186446]
  本稿では,コードに基づく批判モデルを用いて,質問コードデータ構築,品質管理,補完的評価などのステップをガイドする新しいパラダイムを提案する。 英語と中国語におけるドメイン内ベンチマークとドメイン外ベンチマークの両方の実験は、提案したパラダイムの有効性を実証している。
  論文  参考訳（メタデータ） (2024-08-28T06:33:03Z)
• HEMM: Holistic Evaluation of Multimodal Foundation Models [91.60364024897653]
  マルチモーダル・ファンデーション・モデルは、画像、ビデオ、オーディオ、その他の知覚モダリティと共にテキストをホリスティックに処理することができる。 モデリング決定、タスク、ドメインの範囲を考えると、マルチモーダル基盤モデルの進歩を特徴づけ、研究することは困難である。
  論文  参考訳（メタデータ） (2024-07-03T18:00:48Z)
• Bayesian Nonparametrics: An Alternative to Deep Learning [0.5801621787540265]
  この調査はベイズ非パラメトリックの重要性を掘り下げることを目的としており、特に統計学、計算機科学、電気工学など様々な分野における複雑な課題に対処することを目的としている。 ベイズ的非パラメトリック手法の汎用性と有効性を明らかにし、様々な分野にまたがる課題を複雑に解決する革新的な解決策の道を開く。
  論文  参考訳（メタデータ） (2024-03-29T17:32:42Z)
• Enhancing Deep Learning Models through Tensorization: A Comprehensive Survey and Framework [0.0]
  本稿では,多次元データソース,様々なマルチウェイ解析手法,およびこれらの手法の利点について考察する。 2次元アルゴリズムとPythonのマルチウェイアルゴリズムを比較したBlind Source separation(BSS)の小さな例を示す。 その結果,マルチウェイ解析の方が表現力が高いことが示唆された。
  論文  参考訳（メタデータ） (2023-09-05T17:56:22Z)
• Enhancing Human-like Multi-Modal Reasoning: A New Challenging Dataset and Comprehensive Framework [51.44863255495668]
  マルチモーダル推論は、人間のような知性を示す人工知能システムの追求において重要な要素である。 提案するマルチモーダル推論(COCO-MMR)データセットは,オープンエンド質問の集合を包含する新しいデータセットである。 画像とテキストエンコーダを強化するために,マルチホップ・クロスモーダル・アテンションや文レベルのコントラスト学習などの革新的な手法を提案する。
  論文  参考訳（メタデータ） (2023-07-24T08:58:25Z)
• Quantifying & Modeling Multimodal Interactions: An Information Decomposition Framework [89.8609061423685]
  本稿では,入力モーダル性と出力タスクを関連付けた冗長性,特異性,シナジーの度合いを定量化する情報理論手法を提案する。 PID推定を検証するために、PIDが知られている合成データセットと大規模マルチモーダルベンチマークの両方で広範な実験を行う。 本研究では,(1)マルチモーダルデータセット内の相互作用の定量化,(2)マルチモーダルモデルで捉えた相互作用の定量化,(3)モデル選択の原理的アプローチ,(4)実世界のケーススタディの3つにその有用性を示す。
  論文  参考訳（メタデータ） (2023-02-23T18:59:05Z)
• Graph signal processing for machine learning: A review and new perspectives [57.285378618394624]
  本稿では,GSPの概念とツール,例えばグラフフィルタや変換による新しい機械学習アルゴリズム開発への重要な貢献について概説する。 本稿では,データ構造とリレーショナル事前の活用,データと計算効率の向上,モデル解釈可能性の向上について論じる。 我々は,応用数学と信号処理の橋渡しとなるGSP技術と,他方の機械学習とネットワーク科学の橋渡しとなる新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-07-31T13:21:33Z)
• Bayesian Sparse Factor Analysis with Kernelized Observations [67.60224656603823]
  多視点問題は潜在変数モデルに直面することができる。 高次元問題と非線形問題は伝統的にカーネルメソッドによって扱われる。 両アプローチを単一モデルにマージすることを提案する。
  論文  参考訳（メタデータ） (2020-06-01T14:25:38Z)

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。