論文の概要: Online Functional Principal Component Analysis on a Multidimensional Domain
- arxiv url: http://arxiv.org/abs/2505.02131v1
- Date: Sun, 04 May 2025 14:41:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-06 18:49:35.441667
- Title: Online Functional Principal Component Analysis on a Multidimensional Domain
- Title（参考訳）: 多次元領域上のオンライン機能主成分分析
- Authors: Muye Nanshan, Nan Zhang, Jiguo Cao,
- Abstract要約: 多次元関数型データストリームは様々な科学分野に現れるが、その分析は重大な課題を提起する。
本稿では,そのようなデータの効率的なモデリングを可能にする機能主成分分析のための新しいオンラインフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 1.4431321927048788
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multidimensional functional data streams arise in diverse scientific fields, yet their analysis poses significant challenges. We propose a novel online framework for functional principal component analysis that enables efficient and scalable modeling of such data. Our method represents functional principal components using tensor product splines, enforcing smoothness and orthonormality through a penalized framework on a Stiefel manifold. An efficient Riemannian stochastic gradient descent algorithm is developed, with extensions inspired by adaptive moment estimation and averaging techniques to accelerate convergence. Additionally, a dynamic tuning strategy for smoothing parameter selection is developed based on a rolling averaged block validation score that adapts to the streaming nature of the data. Extensive simulations and real-world applications demonstrate the flexibility and effectiveness of this framework for analyzing multidimensional functional data.
- Abstract（参考訳）: 多次元関数型データストリームは様々な科学分野に現れるが、その分析は重大な課題を提起する。
本稿では,そのようなデータの効率的かつスケーラブルなモデリングを可能にする,機能的主成分分析のための新しいオンラインフレームワークを提案する。
本手法はテンソル積スプラインを用いた関数的主成分を表現し、スティフェル多様体上のペナル化フレームワークを通して滑らかさと正則性を強制する。
適応モーメント推定と平均化技術に着想を得て収束を加速する,効率的なリーマン確率勾配降下アルゴリズムを開発した。
さらに、データのストリーミング特性に適応するローリング平均ブロック検証スコアに基づいて、パラメータ選択の平滑化のための動的チューニング戦略を開発する。
大規模シミュレーションと実世界の応用は多次元関数データ解析のためのフレームワークの柔軟性と有効性を示している。
関連論文リスト
- LOCAL: Learning with Orientation Matrix to Infer Causal Structure from Time Series Data [51.47827479376251]
LOCALは動的因果構造を復元するための効率的で実装が容易で制約のない手法である。
Asymptotic Causal Learning Mask (ACML) と Dynamic Graph Learning (DGPL)
合成および実世界のデータセットの実験では、LOCALが既存の手法よりも大幅に優れていることが示されている。
論文 参考訳（メタデータ） (2024-10-25T10:48:41Z) - A Functional Extension of Semi-Structured Networks [2.482050942288848]
半構造化ネットワーク(SSN)は、深いニューラルネットワークを持つ付加モデルに精通した構造をマージする。
大規模データセットにインスパイアされた本研究では,SSNを機能データに拡張する方法について検討する。
本稿では,古典的機能回帰手法の優位性を保ちつつ,スケーラビリティを向上する機能的SSN法を提案する。
論文 参考訳（メタデータ） (2024-10-07T18:50:18Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - Auxiliary Functions as Koopman Observables: Data-Driven Analysis of
Dynamical Systems via Polynomial Optimization [0.0]
本稿では,明示的なモデル発見を必要としないフレキシブルなデータ駆動型システム解析手法を提案する。
この手法は、データからクープマン演算子を近似する確立した手法に根ざし、数値的に解ける半定プログラムとして実装される。
論文 参考訳（メタデータ） (2023-03-02T18:44:18Z) - Offline Reinforcement Learning with Differentiable Function
Approximation is Provably Efficient [65.08966446962845]
歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。
微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。
最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
論文 参考訳（メタデータ） (2022-10-03T07:59:42Z) - Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳（メタデータ） (2020-02-20T15:00:54Z)
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。