論文の概要: Efficient Estimation of Unique Components in Independent Component Analysis by Matrix Representation
- arxiv url: http://arxiv.org/abs/2408.17118v1
- Date: Fri, 30 Aug 2024 09:01:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-02 15:58:20.752594
- Title: Efficient Estimation of Unique Components in Independent Component Analysis by Matrix Representation
- Title（参考訳）: 行列表現による独立成分分析における特異成分の効率的な推定
- Authors: Yoshitatsu Matsuda, Kazunori Yamaguch,
- Abstract要約: 独立成分分析(ICA)は信号処理や特徴抽出の様々な応用において広く用いられている手法である。
本稿では,アルゴリズムを行列表現で再構成することにより,ICAの固有推定を高度に高速化する。
人工データセットと脳波データを用いた実験により,提案手法の有効性が検証された。
- 参考スコア（独自算出の注目度）: 1.0282274843007793
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Independent component analysis (ICA) is a widely used method in various applications of signal processing and feature extraction. It extends principal component analysis (PCA) and can extract important and complicated components with small variances. One of the major problems of ICA is that the uniqueness of the solution is not guaranteed, unlike PCA. That is because there are many local optima in optimizing the objective function of ICA. It has been shown previously that the unique global optimum of ICA can be estimated from many random initializations by handcrafted thread computation. In this paper, the unique estimation of ICA is highly accelerated by reformulating the algorithm in matrix representation and reducing redundant calculations. Experimental results on artificial datasets and EEG data verified the efficiency of the proposed method.
- Abstract（参考訳）: 独立成分分析(ICA)は信号処理や特徴抽出の様々な応用において広く用いられている手法である。
主成分分析(PCA)を拡張し、小さな分散を持つ重要かつ複雑な成分を抽出することができる。
ICAの大きな問題の1つは、PCAとは異なり、ソリューションのユニークさが保証されないことである。
これはICAの目的関数の最適化に多くの局所最適化が存在するためである。
ICAの特異な大域的最適化は、手作りスレッド計算によって多くのランダム初期化から推定できる。
本稿では,行列表現におけるアルゴリズムの再構成と冗長計算の削減により,ICAのユニークな推定を高速化する。
人工データセットと脳波データを用いた実験により,提案手法の有効性が検証された。
関連論文リスト
- L1-Regularized ICA: A Novel Method for Analysis of Task-related fMRI Data [0.0]
本研究では,高次元データから適切な特徴を抽出するために,独立成分分析法(ICA)を提案する。
提案手法の有効性について, 合成データおよび実機能的磁気共鳴画像データに適用する。
論文 参考訳（メタデータ） (2024-10-17T02:54:01Z) - An efficient quantum algorithm for independent component analysis [3.400945485383699]
独立成分分析(ICA)は、取得した信号を可能な限り独立成分に分解する基本的なデータ処理技術である。
本稿では,量子コンピュータ上で特定のコントラスト関数を演算する量子ICAアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-11-21T11:21:23Z) - Exploring the Algorithm-Dependent Generalization of AUPRC Optimization
with List Stability [107.65337427333064]
AUPRC(Area Under the Precision-Recall Curve)の最適化は、機械学習にとって重要な問題である。
本研究では, AUPRC最適化の単依存一般化における最初の試行について述べる。
3つの画像検索データセットの実験は、我々のフレームワークの有効性と健全性に言及する。
論文 参考訳（メタデータ） (2022-09-27T09:06:37Z) - Second-order Approximation of Minimum Discrimination Information in
Independent Component Analysis [5.770800671793959]
ICA(Independent Component Analysis)は、それぞれの線形混合物から相互に独立したソースを回収することを目的としている。
F astICAは最も成功したICAアルゴリズムの一つである。
最小識別情報の2次近似に基づく新しい手法を提案する。
論文 参考訳（メタデータ） (2021-11-30T01:51:08Z) - Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。
このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。
我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
論文 参考訳（メタデータ） (2021-10-26T08:54:41Z) - Self-paced Principal Component Analysis [17.333976289539457]
本稿では,SPCA (Self-paced PCA) と呼ばれる新しい手法を提案する。
各サンプルの複雑さは、単純からより複雑なサンプルをトレーニングに統合するために、各イテレーションの開始時に計算されます。
論文 参考訳（メタデータ） (2021-06-25T20:50:45Z) - 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) - Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature
Selection [138.97647716793333]
再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。
提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
論文 参考訳（メタデータ） (2020-12-29T04:08:38Z) - Stochastic Approximation for Online Tensorial Independent Component
Analysis [98.34292831923335]
独立成分分析(ICA)は統計機械学習や信号処理において一般的な次元削減ツールである。
本稿では,各独立成分を推定する副産物オンライン時系列アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-28T18:52:37Z) - A Framework for Private Matrix Analysis [20.407204637672887]
我々は、スペクトル近似、主成分分析、線形回帰のための空間微分プライベートアルゴリズムを第1の効率$o(W)$で提供する。
また、主成分分析の2つの重要な変種に対して、効率的な微分プライベートアルゴリズムを創出し、示す。
論文 参考訳（メタデータ） (2020-09-06T08:01:59Z) - Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。
スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。
本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-23T04:25:36Z)
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。