論文の概要: Sparse outlier-robust PCA for multi-source data

• arxiv url: http://arxiv.org/abs/2407.16299v1
• Date: Tue, 23 Jul 2024 08:55:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-24 17:56:16.936894
• Title: Sparse outlier-robust PCA for multi-source data
• Title（参考訳）: マルチソースデータのためのスパースアウトリア・ロバストPCA
• Authors: Patricia Puchhammer, Ines Wilms, Peter Filzmoser,
• Abstract要約: そこで本研究では,重要な特徴と局所的なソース固有パターンを同時に選択する新しいPCA手法を提案する。 我々は,グローバルな局所構造的空間パターンに対応するペナルティを持つ正規化問題を開発する。 本稿では,乗算器の交互方向法による提案手法の効率的な実装について述べる。
• 参考スコア（独自算出の注目度）: 2.3226893628361687
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sparse and outlier-robust Principal Component Analysis (PCA) has been a very active field of research recently. Yet, most existing methods apply PCA to a single dataset whereas multi-source data-i.e. multiple related datasets requiring joint analysis-arise across many scientific areas. We introduce a novel PCA methodology that simultaneously (i) selects important features, (ii) allows for the detection of global sparse patterns across multiple data sources as well as local source-specific patterns, and (iii) is resistant to outliers. To this end, we develop a regularization problem with a penalty that accommodates global-local structured sparsity patterns, and where the ssMRCD estimator is used as plug-in to permit joint outlier-robust analysis across multiple data sources. We provide an efficient implementation of our proposal via the Alternating Direction Method of Multiplier and illustrate its practical advantages in simulation and in applications.
• Abstract（参考訳）: スパース・ローバスト・プリンシパル・コンポーネント分析(PCA)は近年,非常に活発な研究分野である。 しかし、既存のほとんどの手法では、PCAを単一のデータセットに適用するのに対し、マルチソースデータ、すなわち、複数の関連するデータセットは、多くの科学領域で共同分析を必要とする。 同時に導入する新しいPCA手法について紹介する。 (i)重要な特徴を選択する (ii)複数のデータソースとローカルソース固有のパターンをまたいだグローバルスパースパターンの検出を可能にする。 (iii) 降圧剤に耐性がある。 そこで我々は,グローバルな局所構造的空間パターンに対応するペナルティを持つ正規化問題を構築し,複数のデータソースをまたいだジョイント・アウリエ・ロバスト解析を可能にするプラグインとしてssMRCD推定器を使用する。 本稿では,乗算器の交互方向法(Alternating Direction Method of Multiplier)による提案手法の効率的な実装について述べる。

関連論文リスト

• Physics-informed and Unsupervised Riemannian Domain Adaptation for Machine Learning on Heterogeneous EEG Datasets [53.367212596352324]
  脳波信号物理を利用した教師なし手法を提案する。 脳波チャンネルをフィールド、ソースフリーなドメイン適応を用いて固定位置にマッピングする。 提案手法は脳-コンピュータインタフェース(BCI)タスクおよび潜在的なバイオマーカー応用におけるロバストな性能を示す。
  論文  参考訳（メタデータ） (2024-03-07T16:17:33Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Source-Free Collaborative Domain Adaptation via Multi-Perspective Feature Enrichment for Functional MRI Analysis [55.03872260158717]
  安静時MRI機能(rs-fMRI)は、神経疾患の分析を助けるために多地点で研究されている。 ソース領域とターゲット領域の間のfMRIの不均一性を低減するための多くの手法が提案されている。 しかし、マルチサイト研究における懸念やデータストレージの負担のため、ソースデータの取得は困難である。 我々は、fMRI解析のためのソースフリー協調ドメイン適応フレームワークを設計し、事前訓練されたソースモデルとラベルなしターゲットデータのみにアクセスできるようにする。
  論文  参考訳（メタデータ） (2023-08-24T01:30:18Z)
• Provably Efficient Offline Reinforcement Learning with Perturbed Data Sources [23.000116974718]
  オフライン強化学習(RL)に関する既存の理論的研究は、主にターゲットタスクから直接サンプリングされたデータセットを考察している。 しかし実際には、データは複数の異種であるが関連する情報源から来ることが多い。 この研究は、ターゲットタスクのランダムな摂動バージョンから収集される複数のデータセットで、オフラインRLを厳格に理解することを目的としている。
  論文  参考訳（メタデータ） (2023-06-14T08:53:20Z)
• GenSyn: A Multi-stage Framework for Generating Synthetic Microdata using Macro Data Sources [21.32471030724983]
  人口を特徴付ける個人レベルのデータ(マイクロデータ)は多くの現実世界の問題を研究するのに不可欠である。 本研究では,高分解能データの抽出方法として合成データ生成について検討する。
  論文  参考訳（メタデータ） (2022-12-08T01:22:12Z)
• Towards Realistic Low-resource Relation Extraction: A Benchmark with Empirical Baseline Study [51.33182775762785]
  本稿では,低リソース環境下での関係抽出システムを構築するための実証的研究について述べる。 低リソース環境での性能を評価するための3つのスキームについて検討する。 (i) ラベル付きラベル付きデータを用いた異なるタイプのプロンプトベース手法、 (ii) 長期分布問題に対処する多様なバランシング手法、 (iii) ラベル付きインドメインデータを生成するためのデータ拡張技術と自己学習。
  論文  参考訳（メタデータ） (2022-10-19T15:46:37Z)
• Domain Adaptation Principal Component Analysis: base linear method for learning with out-of-distribution data [55.41644538483948]
  ドメイン適応は現代の機械学習において一般的なパラダイムである。 ドメイン適応主成分分析(DAPCA)という手法を提案する。 DAPCAは、領域適応タスクの解決に有用な線形化データ表現を見つける。
  論文  参考訳（メタデータ） (2022-08-28T21:10:56Z)
• Another Use of SMOTE for Interpretable Data Collaboration Analysis [8.143750358586072]
  データコラボレーション(DC)分析は、複数の機関にわたるプライバシー保護統合分析のために開発された。 本研究では,データ漏洩のリスクを増大させることなく,認識性能を向上させるアンカーデータ構築手法を提案する。
  論文  参考訳（メタデータ） (2022-08-26T06:39:13Z)
• Exploiting Temporal Structures of Cyclostationary Signals for Data-Driven Single-Channel Source Separation [98.95383921866096]
  単一チャネルソース分離(SCSS)の問題点について検討する。 我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。 本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-08-22T14:04:56Z)
• Relationship-aware Multivariate Sampling Strategy for Scientific Simulation Data [4.2855912967712815]
  本研究では,元の変数関係を保存する多変量サンプリング戦略を提案する。 提案手法は主成分分析を用いて多変量データの分散を抽出し, 単一変数に対する既存の最先端サンプリングアルゴリズム上に構築することができる。
  論文  参考訳（メタデータ） (2020-08-31T00:52:17Z)

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。