論文の概要: Rank Suggestion in Non-negative Matrix Factorization: Residual Sensitivity to Initial Conditions (RSIC)

• arxiv url: http://arxiv.org/abs/2410.14838v1
• Date: Fri, 18 Oct 2024 19:18:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:21:03.445351
• Title: Rank Suggestion in Non-negative Matrix Factorization: Residual Sensitivity to Initial Conditions (RSIC)
• Title（参考訳）: 非負行列因子化におけるランクの提案:初期条件に対する残留感度(RSIC)
• Authors: Marc A. Tunnell, Zachary J. DeBruine, Erin Carrier,
• Abstract要約: 我々はResidual Sensitivity to Intial Conditions (RSIC)と呼ばれる新しいアプローチを導入する。 RSICは、異なる初期化に対する相対残差の感度を分析することによって、潜在的に複数の興味の階級を提案する。 単一細胞遺伝子発現データ,画像データ,テキストデータなど,多様なデータセットを用いてRSICを評価し,現在ある最先端のランク決定手法と比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Determining the appropriate rank in Non-negative Matrix Factorization (NMF) is a critical challenge that often requires extensive parameter tuning and domain-specific knowledge. Traditional methods for rank determination focus on identifying a single optimal rank, which may not capture the complex structure inherent in real-world datasets. In this study, we introduce a novel approach called Residual Sensitivity to Intial Conditions (RSIC) that suggests potentially multiple ranks of interest by analyzing the sensitivity of the relative residuals (e.g. relative reconstruction error) to different initializations. By computing the Mean Coordinatewise Interquartile Range (MCI) of the residuals across multiple random initializations, our method identifies regions where the NMF solutions are less sensitive to initial conditions and potentially more meaningful. We evaluate RSIC on a diverse set of datasets, including single-cell gene expression data, image data, and text data, and compare it against current state-of-the-art existing rank determination methods. Our experiments demonstrate that RSIC effectively identifies relevant ranks consistent with the underlying structure of the data, outperforming traditional methods in scenarios where they are computationally infeasible or less accurate. This approach provides a more scalable and generalizable solution for rank determination in NMF that does not rely on domain-specific knowledge or assumptions.
• Abstract（参考訳）: 非負行列因子化(NMF)における適切なランクを決定することは、広範囲なパラメータチューニングとドメイン固有の知識を必要とする重要な課題である。 伝統的なランク決定法は、現実世界のデータセットに固有の複雑な構造を捉えない、単一の最適なランクを特定することに重点を置いている。 本研究では,Residual Sensitivity to Intial Conditions (RSIC) と呼ばれる新しい手法を提案する。 そこで本手法では,NMF法が初期条件に敏感でなく,潜在的に有意な領域を同定する。 単一細胞遺伝子発現データ,画像データ,テキストデータなど,多様なデータセットを用いてRSICを評価し,現在ある最先端のランク決定手法と比較した。 実験の結果,RSICはデータの基盤構造に整合した位置を効果的に同定し,計算不可能あるいは精度の低いシナリオにおいて従来の手法よりも優れていることがわかった。 このアプローチは、ドメイン固有の知識や仮定に依存しないNMFのランク決定に対して、よりスケーラブルで一般化可能なソリューションを提供する。

関連論文リスト

• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• Anomaly Detection Under Uncertainty Using Distributionally Robust Optimization Approach [0.9217021281095907]
  異常検出は、大多数のパターンに従わないデータポイントを見つける問題として定義される。 1クラスのサポートベクトルマシン(SVM)メソッドは、通常のデータポイントと異常を区別するための決定境界を見つけることを目的としている。 誤分類の確率が低い分布的に頑健な確率制約モデルを提案する。
  論文  参考訳（メタデータ） (2023-12-03T06:13:22Z)
• Global Convergence of Online Identification for Mixed Linear Regression [1.9295130374196499]
  混合線形回帰(MLR)は非線形関係を特徴づける強力なモデルである。 本稿では,MLRの2つの基本クラスにおけるオンライン識別とデータクラスタリングの問題について検討する。 期待最大化原理に基づく新しいオンライン識別アルゴリズムを2つ導入する。
  論文  参考訳（メタデータ） (2023-11-30T12:30:42Z)
• Exponentially Convergent Algorithms for Supervised Matrix Factorization [2.1485350418225244]
  Supervised Factorization (SMF) は、抽出タスクと分類タスクを集約する機械学習手法である。 本稿では,組合わせ係数空間推定における低ランク推定問題としてSMFを'リフト'する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-18T23:24:02Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Estimating leverage scores via rank revealing methods and randomization [50.591267188664666]
  任意のランクの正方形密度あるいはスパース行列の統計レバレッジスコアを推定するアルゴリズムについて検討した。 提案手法は,高密度およびスパースなランダム化次元性還元変換の合成と階調明細化法を組み合わせることに基づく。
  論文  参考訳（メタデータ） (2021-05-23T19:21:55Z)
• Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
  帰納バイアスは 経験的に過剰フィットを防げる中心的存在です この研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。 我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
  論文  参考訳（メタデータ） (2021-03-23T17:15:53Z)
• Simplex-Structured Matrix Factorization: Sparsity-based Identifiability and Provably Correct Algorithms [21.737226432466496]
  単純なx構造行列因数分解に対する識別可能性を保証する新しいアルゴリズムを提案する。 本稿では,合成データセットとハイパースペクトル画像に対するアプローチの有効性について述べる。
  論文  参考訳（メタデータ） (2020-07-22T14:01:58Z)
• Second-Order Guarantees in Centralized, Federated and Decentralized Nonconvex Optimization [64.26238893241322]
  単純なアルゴリズムは、多くの文脈において優れた経験的結果をもたらすことが示されている。 いくつかの研究は、非最適化問題を研究するための厳密な分析的正当化を追求している。 これらの分析における重要な洞察は、摂動が局所的な降下アルゴリズムを許容する上で重要な役割を担っていることである。
  論文  参考訳（メタデータ） (2020-03-31T16:54:22Z)
• A novel initialisation based on hospital-resident assignment for the k-modes algorithm [0.0]
  本稿では,k-modesアルゴリズムの初期解を選択する新しい方法を提案する。 これは、数学的公正性の概念と、文献から共通の初期化ができないデータの活用を可能にする。
  論文  参考訳（メタデータ） (2020-02-07T10:20:49Z)
• MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
  ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。 グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。 確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
  論文  参考訳（メタデータ） (2020-01-28T18:25:15Z)

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。