Fugu-MT 論文翻訳(概要): D-CDLF: Decomposition of Common and Distinctive Latent Factors for Multi-view High-dimensional Data

論文の概要: D-CDLF: Decomposition of Common and Distinctive Latent Factors for Multi-view High-dimensional Data

arxiv url: http://arxiv.org/abs/2407.00730v2
Date: Thu, 1 Aug 2024 21:39:05 GMT
ステータス: 処理完了
システム内更新日: 2024-08-05 17:43:44.641963
Title: D-CDLF: Decomposition of Common and Distinctive Latent Factors for Multi-view High-dimensional Data
Title（参考訳）: D-CDLF:多次元高次元データのための共通および識別潜在因子の分解
Authors: Hai Shu,
Abstract要約: 複数の高次元データビューの合同解析における典型的なアプローチは、各ビューのデータマトリックスを3つの部分に分解することである。本稿では,2視点データに対する非相関性を効果的に実現するために,D-CDLF (Decomposition of Common and Distinctive Latent Factors) と呼ばれる新しい分解法を提案する。
参考スコア（独自算出の注目度）: 2.2481284426718533
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A typical approach to the joint analysis of multiple high-dimensional data views is to decompose each view's data matrix into three parts: a low-rank common-source matrix generated by common latent factors of all data views, a low-rank distinctive-source matrix generated by distinctive latent factors of the corresponding data view, and an additive noise matrix. Existing decomposition methods often focus on the uncorrelatedness between the common latent factors and distinctive latent factors, but inadequately address the equally necessary uncorrelatedness between distinctive latent factors from different data views. We propose a novel decomposition method, called Decomposition of Common and Distinctive Latent Factors (D-CDLF), to effectively achieve both types of uncorrelatedness for two-view data. We also discuss the estimation of the D-CDLF under high-dimensional settings.
Abstract（参考訳）: 複数の高次元データビューのジョイント分析における典型的なアプローチは、各ビューのデータマトリックスを3つの部分に分解することである。既存の分解法では、共通潜時要因と特異潜時要因の非相関性に焦点をあてることが多いが、異なるデータビューからの特異潜時要因の等しく不要な非相関性に対処するには不十分である。本稿では,2視点データに対する非相関性を効果的に実現するために,D-CDLF (Decomposition of Common and Distinctive Latent Factors) と呼ばれる新しい分解法を提案する。また,高次元環境下でのD-CDLFの推定についても検討した。

関連論文リスト

DiHuR: Diffusion-Guided Generalizable Human Reconstruction [51.31232435994026]
一般化可能なヒト3次元再構成のための拡散誘導モデルであるDiHuRを導入し,スパース・ミニマル・オーバーラップ画像からのビュー合成について述べる。提案手法は, 一般化可能なフィードフォワードモデルと2次元拡散モデルとの2つのキー前処理をコヒーレントな方法で統合する。
論文参考訳（メタデータ） (2024-11-16T03:52:23Z)
Learning Divergence Fields for Shift-Robust Graph Representations [73.11818515795761]
本研究では,相互依存データに対する問題に対して,学習可能な分散場を持つ幾何学的拡散モデルを提案する。因果推論によって新たな学習目標が導出され、ドメイン間で無神経な相互依存の一般化可能なパターンを学習するためのモデルが導出される。
論文参考訳（メタデータ） (2024-06-07T14:29:21Z)
ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文参考訳（メタデータ） (2024-05-27T02:42:33Z)
Multi-View Independent Component Analysis with Shared and Individual Sources [0.0]
独立成分分析(Independent component analysis, ICA)は、観測データから独立成分源を線形にアンタングル化するためのブラインドソース分離法である。我々は,対応する線形構造が識別可能であることを証明し,十分な多様なビューやデータポイントが利用できることを条件として,共有ソースを復元できることを示した。実測値がノイズによって破損した場合にも,高次元設定で音源を復元することが実証的に示される。
論文参考訳（メタデータ） (2022-10-05T08:23:05Z)
CCP: Correlated Clustering and Projection for Dimensionality Reduction [5.992724190105578]
Correlated Clustering and Projectionは、マトリックスを解決する必要のない、新しいデータドメイン戦略を提供する。 CCPは、高次元の機能を相関クラスタに分割し、各クラスタの相関した機能を1次元の表現に分割する。提案手法は、さまざまな機械学習アルゴリズムに関連するベンチマークデータセットを用いて検証される。
論文参考訳（メタデータ） (2022-06-08T23:14:44Z)
GMC -- Geometric Multimodal Contrastive Representation Learning [26.437843775786856]
本稿では,2つの主成分からなる表現学習手法を提案する。我々は,GMC表現が意味的にリッチであり,最先端の性能を実現することを実験的に実証した。
論文参考訳（メタデータ） (2022-02-07T18:26:32Z)
Multi-way Clustering and Discordance Analysis through Deep Collective Matrix Tri-Factorization [9.283501363468728]
我々は、ニューラルネットワークによる教師なし学習の最先端を推し進め、異種多型マルチモーダル関係データを解析する。我々は,任意の行列集合の集合行列三要素化のための最初のニューラル手法を設計し,全ての構成要素のスペクトルクラスタリングを行い,クラスタアソシエーションを学習する。本稿では,知識ベースの品質評価と表現学習の改善におけるその有用性について述べる。
論文参考訳（メタデータ） (2021-09-27T16:24:23Z)
Rethinking Content and Style: Exploring Bias for Unsupervised Disentanglement [59.033559925639075]
本研究では,異なる要因が画像再構成において重要度や人気度が異なるという仮定に基づいて,教師なしc-s異節の定式化を提案する。モデルインダクティブバイアスは,提案したC-Sアンタングルメントモジュール(C-S DisMo)によって導入された。いくつかの一般的なデータセットに対する実験により、我々の手法が最先端の教師なしC-Sアンタングルメントを実現することを示す。
論文参考訳（メタデータ） (2021-02-21T08:04:33Z)
Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文参考訳（メタデータ） (2020-07-21T08:18:06Z)
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)
D-GCCA: Decomposition-based Generalized Canonical Correlation Analysis for Multi-view High-dimensional Data [11.184915338554422]
高次元多視点データ分析における一般的なモデルは、各ビューのデータ行列を、すべてのデータビューに共通する潜在因子によって生成される低ランクの共通ソース行列に分解する。本稿では,分解に基づく一般化正準相関解析(D-GCCA)と呼ばれる新しい分解法を提案する。我々のD-GCCAは、共通成分と特異成分を正準変数から分離することにより、一般化された正準相関解析よりも一歩前進する。
論文参考訳（メタデータ） (2020-01-09T06:35:40Z)

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。