論文の概要: Novel sparse PCA method via Runge Kutta numerical method(s) for face recognition

• arxiv url: http://arxiv.org/abs/2504.01035v1
• Date: Sun, 30 Mar 2025 13:34:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 19:59:19.114032
• Title: Novel sparse PCA method via Runge Kutta numerical method(s) for face recognition
• Title（参考訳）: ルンゲ・クッタ法による顔認識のための新しいスパースPCA法
• Authors: Loc Hoang Tran, Luong Anh Tuan Nguyen,
• Abstract要約: 本稿では,Sparse principal Component Analysis (PCA) の実装について,近似勾配法とルンゲ・クッタ数値法を用いて検討する。 実験結果から,Sparse PCA-solved by the Proximal Gradient method, and the Runge-Kutta numerical approach with a classification systemは標準PCAよりも高精度であることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Face recognition is a crucial topic in data science and biometric security, with applications spanning military, finance, and retail industries. This paper explores the implementation of sparse Principal Component Analysis (PCA) using the Proximal Gradient method (also known as ISTA) and the Runge-Kutta numerical methods. To address the face recognition problem, we integrate sparse PCA with either the k-nearest neighbor method or the kernel ridge regression method. Experimental results demonstrate that combining sparse PCA-solved via the Proximal Gradient method or the Runge-Kutta numerical approach-with a classification system yields higher accuracy compared to standard PCA. Additionally, we observe that the Runge-Kutta-based sparse PCA computation consistently outperforms the Proximal Gradient method in terms of speed.
• Abstract（参考訳）: 顔認識は、データサイエンスとバイオメトリックセキュリティにおいて重要なトピックであり、軍事、金融、小売業界にまたがるアプリケーションである。 本稿では,Sparse principal Component Analysis (PCA) の実装について,近位勾配法(ISTA)とRunge-Kutta数値法を用いて検討する。 顔認識問題に対処するため, スパースPCAとk-アネレスト近傍法, カーネルリッジ回帰法を統合した。 実験結果から,Sparse PCA-solved by the Proximal Gradient method, and the Runge-Kutta numerical approach with a classification systemは標準PCAよりも高精度であることがわかった。 さらに,Runge-KuttaをベースとしたスパースPCA計算は,高速な近似勾配法よりも一貫して優れていた。

関連論文リスト

• Solve sparse PCA problem by employing Hamiltonian system and leapfrog method [0.0]
  そこで本研究では,スムーズなL1ペナルティを通したスパースPCAアルゴリズムを提案する。 k-アネレスト近傍とカーネルリッジ回帰の両方を用いた顔認識データセットの実験的評価-提案したスパースPCA法は従来のPCA法よりも高い分類精度を一貫して達成している。
  論文  参考訳（メタデータ） (2025-03-30T06:39:11Z)
• Achieving $\widetilde{\mathcal{O}}(\sqrt{T})$ Regret in Average-Reward POMDPs with Known Observation Models [56.92178753201331]
  平均逆無限水平POMDPを未知の遷移モデルで扱う。 この障壁を克服する斬新でシンプルな推定器を提示する。
  論文  参考訳（メタデータ） (2025-01-30T22:29:41Z)
• Provably Efficient UCB-type Algorithms For Learning Predictive State Representations [55.00359893021461]
  逐次決定問題は、予測状態表現(PSR)によってモデル化された低ランク構造が認められる場合、統計的に学習可能である 本稿では,推定モデルと実モデル間の全変動距離を上限とする新しいボーナス項を特徴とする,PSRに対する最初のUCB型アプローチを提案する。 PSRに対する既存のアプローチとは対照的に、UCB型アルゴリズムは計算的トラクタビリティ、最優先の準最適ポリシー、モデルの精度が保証される。
  論文  参考訳（メタデータ） (2023-07-01T18:35:21Z)
• Efficient fair PCA for fair representation learning [21.990310743597174]
  そこで本研究では,標準的なPCAに類似した解析解をカーネル化可能な,概念的にシンプルなアプローチを提案する。 提案手法は,標準PCAやカーネルPCAと同じ複雑さを持ち,半定値プログラミングや多様体最適化に基づく等価PCAの既存手法よりもはるかに高速に動作する。
  論文  参考訳（メタデータ） (2023-02-26T13:34:43Z)
• Policy Gradient for Rectangular Robust Markov Decision Processes [62.397882389472564]
  我々は,長方形ロバストなマルコフ決定過程(MDP)を効率的に解く政策ベース手法であるロバストなポリシー勾配(RPG)を導入する。 結果のRPGは、非ロバストな等価値と同じ時間のデータから推定することができる。
  論文  参考訳（メタデータ） (2023-01-31T12:40:50Z)
• Posterior and Computational Uncertainty in Gaussian Processes [52.26904059556759]
  ガウスのプロセスはデータセットのサイズとともに違法にスケールする。 多くの近似法が開発されており、必然的に近似誤差を導入している。 この余分な不確実性の原因は、計算が限られているため、近似後部を使用すると完全に無視される。 本研究では,観測された有限個のデータと有限個の計算量の両方から生じる組合せ不確実性を一貫した推定を行う手法の開発を行う。
  論文  参考訳（メタデータ） (2022-05-30T22:16:25Z)
• Stochastic and Private Nonconvex Outlier-Robust PCA [11.688030627514532]
  外乱PCAは、外乱で破損したデータセットから下層の低次元線形部分空間を求める。 提案手法は,測地線降下と新しい収束解析を含む手法を含むことを示す。 メインの応用法は、アウトリアロバストPCAのための効果的にプライベートなアルゴリズムである。
  論文  参考訳（メタデータ） (2022-03-17T12:00:47Z)
• Improved sparse PCA method for face and image recognition [0.2964978357715083]
  スパースPCA法と1つの特定分類システムの組み合わせの精度は、PCA法と1つの特定分類システムの組み合わせの精度よりも低い。 我々は、FISTA法を用いてスパースPCAアルゴリズムを演算するプロセスが、近勾配法を用いてスパースPCAアルゴリズムを演算するプロセスよりも常に高速であることを認識している。
  論文  参考訳（メタデータ） (2021-12-01T01:11:04Z)
• Kernel PCA with the Nystr\"om method [0.0]
  Nystr"om法を用いてカーネルPCAを導出し,その精度について検討する。 Nystr"om法を用いてカーネルの主成分回帰を示す。
  論文  参考訳（メタデータ） (2021-09-12T18:08:31Z)
• Improving Metric Dimensionality Reduction with Distributed Topology [68.8204255655161]
  DIPOLEは、局所的、計量的項と大域的、位相的項の両方で損失関数を最小化し、初期埋め込みを補正する次元推論後処理ステップである。 DIPOLEは、UMAP、t-SNE、Isomapといった一般的な手法よりも多くの一般的なデータセットで優れています。
  論文  参考訳（メタデータ） (2021-06-14T17:19:44Z)
• 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。