論文の概要: An introduction to R package `mvs`

• arxiv url: http://arxiv.org/abs/2504.17546v1
• Date: Thu, 24 Apr 2025 13:34:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:53.386301
• Title: An introduction to R package `mvs`
• Title（参考訳）: R package `mvs` の紹介
• Authors: Wouter van Loon,
• Abstract要約: Rパッケージmvsは、マルチビューデータを扱うために特別に設計されたメソッドを提供する。 MVS(英語: MVS)は、マルチビュー分類や予測モデルのトレーニングに使用される教師あり(機械)学習の一種である。 mvsは、このようなペナルティ用語を含むMVSモデルを、簡単かつオープンに利用できるようにしている。
• 参考スコア（独自算出の注目度）: 0.40792653193642503
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In biomedical science, a set of objects or persons can often be described by multiple distinct sets of features obtained from different data sources or modalities (called "multi-view data"). Classical machine learning methods ignore the multi-view structure of such data, limiting model interpretability and performance. The R package `mvs` provides methods that were designed specifically for dealing with multi-view data, based on the multi-view stacking (MVS) framework. MVS is a form of supervised (machine) learning used to train multi-view classification or prediction models. MVS works by training a learning algorithm on each view separately, estimating the predictive power of each view-specific model through cross-validation, and then using another learning algorithm to assign weights to the view-specific models based on their estimated predictions. MVS is a form of ensemble learning, dividing the large multi-view learning problem into smaller sub-problems. Most of these sub-problems can be solved in parallel, making it computationally attractive. Additionally, the number of features of the sub-problems is greatly reduced compared with the full multi-view learning problem. This makes MVS especially useful when the total number of features is larger than the number of observations (i.e., high-dimensional data). MVS can still be applied even if the sub-problems are themselves high-dimensional by adding suitable penalty terms to the learning algorithms. Furthermore, MVS can be used to automatically select the views which are most important for prediction. The R package `mvs` makes fitting MVS models, including such penalty terms, easily and openly accessible. `mvs` allows for the fitting of stacked models with any number of levels, with different penalty terms, different outcome distributions, and provides several options for missing data handling.
• Abstract（参考訳）: バイオメディカル・サイエンスにおいて、オブジェクトや人物の集合は、異なるデータソースやモダリティ("multi-view data"と呼ばれる)から得られる複数の異なる特徴セットによって記述されることが多い。 古典的な機械学習手法は、そのようなデータのマルチビュー構造を無視し、モデルの解釈可能性と性能を制限する。 Rパッケージ `mvs` は、マルチビュー・スタックング(MVS)フレームワークに基づいて、マルチビューデータを扱うために特別に設計されたメソッドを提供する。 MVS(英語: MVS)は、マルチビュー分類や予測モデルのトレーニングに使用される教師あり(機械)学習の一種である。 MVSは、各ビュー上で学習アルゴリズムを個別にトレーニングし、クロスバリデーションを通じて各ビュー固有モデルの予測力を推定し、次に、別の学習アルゴリズムを使用して、予測された予測に基づいて、ビュー固有モデルに重みを割り当てる。 MVSはアンサンブル学習の一種であり、大規模なマルチビュー学習問題をより小さなサブプロブレムに分割する。 これらのサブプロブレムのほとんどは並列に解くことができ、計算的に魅力的である。 さらに、サブプロブレムの特徴の数は、完全なマルチビュー学習問題と比較して大幅に減少する。 これにより、MVSの総特徴数が観測数(すなわち高次元データ)よりも大きい場合、特に有用である。 MVSは、たとえサブプロブレム自体が高次元であっても、学習アルゴリズムに適切なペナルティ項を追加することで適用することができる。 さらに、MVSを使用して、予測に最も重要なビューを自動的に選択することができる。 Rパッケージ `mvs` は、このようなペナルティ項を含むMVSモデルに適合し、簡単かつオープンにアクセスできるようにする。 mvs`は、任意のレベルのスタックモデルに、異なるペナルティ条件、異なる結果分布で適合させることを可能にし、データハンドリングの欠如に対していくつかのオプションを提供する。

関連論文リスト

• Robust Multi-View Learning via Representation Fusion of Sample-Level Attention and Alignment of Simulated Perturbation [61.64052577026623]
  実世界のマルチビューデータセットは、しばしば不均一で不完全である。 本稿では,表現融合とアライメントを同時に行う新しいロバストMVL法(RML)を提案する。 実験では、教師なしマルチビュークラスタリング、ノイズラベル分類、およびクロスモーダルハッシュ検索のためのプラグ・アンド・プレイモジュールとして採用する。
  論文  参考訳（メタデータ） (2025-03-06T07:01:08Z)
• Balanced Multi-view Clustering [56.17836963920012]
  マルチビュークラスタリング(MvC)は、さまざまなビューからの情報を統合して、基盤となるデータ構造をキャプチャするモデルの能力を高めることを目的としている。 MvCで広く使われているジョイントトレーニングパラダイムは、多視点情報を十分に活用していない可能性がある。 本稿では,ビュー固有のコントラスト正規化(VCR)を導入し,各ビューの最適化を最適化する新しいマルチビュークラスタリング(BMvC)手法を提案する。
  論文  参考訳（メタデータ） (2025-01-05T14:42:47Z)
• Learning from Semantic Alignment between Unpaired Multiviews for Egocentric Video Recognition [23.031934558964473]
  本稿では,セマンティックスをベースとしたUnpaired Multiview Learning (SUM-L)を提案する。 主要なアイデアは、ビデオの意味情報を活用することで、クロスビューの擬似ペアを構築し、ビュー不変アライメントを行うことである。 また,本手法は,より難易度の高いシナリオ下で,既存のビューアライメント手法よりも優れている。
  論文  参考訳（メタデータ） (2023-08-22T15:10:42Z)
• ProbVLM: Probabilistic Adapter for Frozen Vision-Language Models [69.50316788263433]
  本稿では,事前学習された視覚言語モデルの埋め込みに対する確率分布を推定する確率的アダプタProbVLMを提案する。 本稿では,検索タスクにおける不確実性埋め込みのキャリブレーションを定量化し,ProbVLMが他の手法よりも優れていることを示す。 本稿では,大規模な事前学習型潜伏拡散モデルを用いて,埋め込み分布を可視化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-07-01T18:16:06Z)
• Multi-View Class Incremental Learning [57.14644913531313]
  マルチビュー学習(MVL)は、下流タスクのパフォーマンスを改善するためにデータセットの複数の視点から情報を統合することで大きな成功を収めている。 本稿では,複数視点クラスインクリメンタルラーニング(MVCIL)と呼ばれる新しいパラダイムについて考察する。
  論文  参考訳（メタデータ） (2023-06-16T08:13:41Z)
• Self-Supervised Multimodal Learning: A Survey [23.526389924804207]
  マルチモーダル学習は、複数のモーダルからの情報を理解し分析することを目的としている。 高価なヒューマンアノテーションと組み合わせたデータへの大きな依存は、モデルのスケールアップを妨げる。 大規模無意味なデータが野生で利用可能であることを考えると、自己教師型学習は、アノテーションボトルネックを軽減するための魅力的な戦略となっている。
  論文  参考訳（メタデータ） (2023-03-31T16:11:56Z)
• C$^{2}$IMUFS: Complementary and Consensus Learning-based Incomplete Multi-view Unsupervised Feature Selection [12.340714611533418]
  マルチビュー非教師付き特徴選択(MUFS)は、ラベルなしデータの次元を減少させる有効な手法として実証されている。 本稿では、上記の問題に対処するため、補完的かつコンセンサスに基づく不完全なマルチビュー非教師付き特徴選択法(C$2$IMUFS)を提案する。 C$2$IMUFSは、ビューウェイトとスパース$ell_2,p$-normの適応学習を備えた拡張重み付き非負行列分解モデルに特徴選択を統合する。
  論文  参考訳（メタデータ） (2022-08-20T19:39:17Z)
• Multi-view learning with privileged weighted twin support vector machine [0.0]
  重み付きツインサポートベクターマシン(WLTSVM)は、非並列平面分類器の共通の欠点を改善するために、サンプル内で可能な限り多くの潜在的な類似情報をマイニングする。 ツインサポートベクトルマシン(TWSVM)と比較して、クラス間K-Nearest Neighbor(KNN)を用いて超流動制約を削除することにより、時間の複雑さを低減する。 本稿では,制限付きツインサポートベクトルマシン(MPWTSVM)を用いた多視点学習を提案する。
  論文  参考訳（メタデータ） (2022-01-27T03:49:53Z)
• MGA-VQA: Multi-Granularity Alignment for Visual Question Answering [75.55108621064726]
  視覚的な質問に答えることを学ぶことは、マルチモーダル入力が2つの特徴空間内にあるため、難しい作業である。 視覚質問応答タスク(MGA-VQA)のための多言語アライメントアーキテクチャを提案する。 我々のモデルはアライメントを異なるレベルに分割し、追加のデータやアノテーションを必要とせずにより良い相関関係を学習します。
  論文  参考訳（メタデータ） (2022-01-25T22:30:54Z)
• Uncorrelated Semi-paired Subspace Learning [7.20500993803316]
  一般化された非相関なマルチビューサブスペース学習フレームワークを提案する。 フレームワークの柔軟性を示すために,教師なし学習と教師なし学習の両方のための5つの新しいセミペアモデルをインスタンス化する。 提案するモデルは,ベースラインよりも競争力が高い。
  論文  参考訳（メタデータ） (2020-11-22T22:14:20Z)
• Multi-view Low-rank Preserving Embedding: A Novel Method for Multi-view Representation [11.91574721055601]
  本稿では,MvLPE(Multi-view Low-rank Preserving Embedding)という新しい多視点学習手法を提案する。 異なるビューを1つのセントロイドビューに統合し、インスタンス間の距離や類似性行列に基づいて、不一致項を最小化する。 6つのベンチマークデータセットの実験では、提案手法がそれよりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-06-14T12:47:25Z)
• Video Understanding as Machine Translation [53.59298393079866]
  我々は、単一の統合フレームワークを用いて、様々なダウンストリームビデオ理解タスクに取り組む。 映像分類(EPIC-Kitchens)、質問応答(TVQA)、キャプション(TVC, YouCook2, MSR-VTT)など、いくつかのダウンストリームタスクにおいて、現状よりもパフォーマンスの向上が報告されている。
  論文  参考訳（メタデータ） (2020-06-12T14:07:04Z)

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。