論文の概要: Stratified Non-Negative Tensor Factorization
- arxiv url: http://arxiv.org/abs/2411.18805v1
- Date: Wed, 27 Nov 2024 23:16:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-02 15:18:27.377896
- Title: Stratified Non-Negative Tensor Factorization
- Title(参考訳): 成層的非負性テンソル因子化
- Authors: Alexander Sietsema, Zerrin Vural, James Chapman, Yotam Yaniv, Deanna Needell,
- Abstract要約: Stratified-NTF は Stratified-NMF よりも低いメモリ要件で解釈可能なトピックを識別できる。
乗法更新ルールを開発し,テキストおよび画像データ上での手法を実証する。
- 参考スコア(独自算出の注目度): 45.439685980328605
- License:
- Abstract: Non-negative matrix factorization (NMF) and non-negative tensor factorization (NTF) decompose non-negative high-dimensional data into non-negative low-rank components. NMF and NTF methods are popular for their intrinsic interpretability and effectiveness on large-scale data. Recent work developed Stratified-NMF, which applies NMF to regimes where data may come from different sources (strata) with different underlying distributions, and seeks to recover both strata-dependent information and global topics shared across strata. Applying Stratified-NMF to multi-modal data requires flattening across modes, and therefore loses geometric structure contained implicitly within the tensor. To address this problem, we extend Stratified-NMF to the tensor setting by developing a multiplicative update rule and demonstrating the method on text and image data. We find that Stratified-NTF can identify interpretable topics with lower memory requirements than Stratified-NMF. We also introduce a regularized version of the method and demonstrate its effects on image data.
- Abstract(参考訳): 非負行列分解(NMF)と非負テンソル分解(NTF)は非負の高次元データを非負の低ランク成分に分解する。
NMF法とNTF法は,その本質的な解釈性と大規模データに対する有効性に人気がある。
近年のStratified-NMFは、異なるソース(ストラタ)から異なるソース(ストラタ)からデータを得るレジームにNMFを適用し、ストラタ間で共有されるストラタ依存情報とグローバルトピックの両方を回復しようとしている。
Stratified-NMF をマルチモーダルデータに適用するには、モード間の平坦化が必要であり、従ってテンソル内に暗黙的に含まれる幾何学的構造を失う。
この問題に対処するため,本手法をテキストおよび画像データ上に適用し,乗算更新ルールを開発することにより,Stratified-NMFをテンソル設定に拡張する。
Stratified-NTF は Stratified-NMF よりも低いメモリ要件で解釈可能なトピックを識別できる。
また,本手法の正規化版を導入し,その効果を画像データに示す。
関連論文リスト
- Coseparable Nonnegative Tensor Factorization With T-CUR Decomposition [2.013220890731494]
非負行列因子化(NMF)は、データから意味のある特徴を抽出する重要な教師なし学習手法である。
本研究では,コセプタブルコアを選択するための交互選択法を提案する。
その結果, 分離可能なNMFと比較して, 分離可能なNTFの有効性が示された。
論文 参考訳(メタデータ) (2024-01-30T09:22:37Z) - Stratified-NMF for Heterogeneous Data [8.174199227297514]
本研究では,階層依存統計量と共有トピック行列を同時に学習する改良NMF目標であるStratified-NMFを提案する。
本手法を実世界の3つのデータセットに適用し,その特徴を実証的に検討する。
論文 参考訳(メタデータ) (2023-11-17T00:34:41Z) - Multi-View Clustering via Semi-non-negative Tensor Factorization [120.87318230985653]
半負のテンソル因子分解(Semi-NTF)に基づく新しいマルチビュークラスタリングを開発する。
本モデルは、ビュー間の関係を直接考慮し、ビュー間の補完情報を利用する。
さらに,提案手法の最適化アルゴリズムを提案し,そのアルゴリズムが常に定常KKT点に収束することを数学的に証明する。
論文 参考訳(メタデータ) (2023-03-29T14:54:19Z) - Adaptive Weighted Nonnegative Matrix Factorization for Robust Feature
Representation [9.844796520630522]
非負行列分解(NMF)は、機械学習における次元の減少に広く用いられている。
従来のNMFは、ノイズに敏感であるように、アウトリーチを適切に扱わない。
本稿では,各データポイントの異なる重要性を強調するため,重み付き適応重み付きNMFを提案する。
論文 参考訳(メタデータ) (2022-06-07T05:27:08Z) - Finding Rule-Interpretable Non-Negative Data Representation [1.2430809884830318]
ルールベース記述と部分ベース表現の利点を融合したNMF方式を提案する。
潜在因子、それらの相互作用と値範囲の重要な属性を明らかにすることに加えて、このアプローチは集中的な埋め込みを可能にする。
論文 参考訳(メタデータ) (2022-06-03T10:20:46Z) - SymNMF-Net for The Symmetric NMF Problem [62.44067422984995]
我々は,Symmetric NMF問題に対するSymNMF-Netと呼ばれるニューラルネットワークを提案する。
各ブロックの推測は最適化の単一イテレーションに対応することを示す。
実世界のデータセットに関する実証的な結果は、我々のSymNMF-Netの優位性を示している。
論文 参考訳(メタデータ) (2022-05-26T08:17:39Z) - Log-based Sparse Nonnegative Matrix Factorization for Data
Representation [55.72494900138061]
非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。
そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。
提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
論文 参考訳(メタデータ) (2022-04-22T11:38:10Z) - 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) - Ordinal Non-negative Matrix Factorization for Recommendation [9.431454966446076]
我々は、OrdNMFと呼ばれる順序データに対する新しい非負行列分解法(NMF)を導入する。
OrdNMFはBernoulli-Poisson Factorization (BePoF)とPoisson Factorization (PF)を二項化データに適用する潜在因子モデルである。
論文 参考訳(メタデータ) (2020-06-01T16:02:11Z) - Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
条件正規化フロー(CNF)はサンプリングと推論において効率的である。
出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
論文 参考訳(メタデータ) (2019-11-29T19:17:58Z)
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。