論文の概要: N$^2$: A Unified Python Package and Test Bench for Nearest Neighbor-Based Matrix Completion

• arxiv url: http://arxiv.org/abs/2506.04166v1
• Date: Wed, 04 Jun 2025 17:04:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 21:20:14.482737
• Title: N$^2$: A Unified Python Package and Test Bench for Nearest Neighbor-Based Matrix Completion
• Title（参考訳）: N$^2$:近辺行列補完のための統一Pythonパッケージとテストベンチ
• Authors: Caleb Chin, Aashish Khubchandani, Harshvardhan Maskara, Kyuseong Choi, Jacob Feitelberg, Albert Gong, Manit Paul, Tathagata Sadhukhan, Anish Agarwal, Raaz Dwivedi,
• Abstract要約: 本稿では、N$2$という統一Pythonパッケージと、NNベースのメソッドの幅広いクラスを統合するテストベッドを紹介する。 また、ヘルスケアやレコメンダシステムから因果推論まで、現実世界のデータセットのベンチマークスイートもリリースしています。 我々の実験では、古典的手法は理想化されたデータに勝るものの、NNベースの手法は現実の環境では一貫して優れていた。
• 参考スコア（独自算出の注目度）: 6.526117652113461
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nearest neighbor (NN) methods have re-emerged as competitive tools for matrix completion, offering strong empirical performance and recent theoretical guarantees, including entry-wise error bounds, confidence intervals, and minimax optimality. Despite their simplicity, recent work has shown that NN approaches are robust to a range of missingness patterns and effective across diverse applications. This paper introduces N$^2$, a unified Python package and testbed that consolidates a broad class of NN-based methods through a modular, extensible interface. Built for both researchers and practitioners, N$^2$ supports rapid experimentation and benchmarking. Using this framework, we introduce a new NN variant that achieves state-of-the-art results in several settings. We also release a benchmark suite of real-world datasets, from healthcare and recommender systems to causal inference and LLM evaluation, designed to stress-test matrix completion methods beyond synthetic scenarios. Our experiments demonstrate that while classical methods excel on idealized data, NN-based techniques consistently outperform them in real-world settings.
• Abstract（参考訳）: 近近辺(NN)法は行列補完の競争ツールとして再登場し、強力な経験的性能と近年の理論的保証を提供する。 その単純さにもかかわらず、最近の研究により、NNアプローチは様々な欠落パターンに対して堅牢であり、多様なアプリケーションで有効であることが示されている。 本稿では,N$^2$という統一Pythonパッケージとテストベッドについて紹介する。 研究者と実践者の両方のために構築されたN$^2$は、迅速な実験とベンチマークをサポートする。 このフレームワークを用いて、いくつかの設定で最先端の結果を得られる新しいNN変種を導入する。 また、医療やレコメンデータシステムから因果推論、LCM評価に至るまで、実世界のデータセットのベンチマークスイートもリリースし、合成シナリオを超えて行列補完法をストレステストするために設計した。 我々の実験では、古典的手法は理想化されたデータに勝るものの、NNベースの手法は現実の環境では一貫して優れていた。

関連論文リスト

• Adaptively-weighted Nearest Neighbors for Matrix Completion [6.6157730528755065]
  AWNNは行列補完を行うための適応的に重み付けされた近接手法である。 提案手法を最小限の仮定で理論的に保証し, 合成実験による理論の支持を行う。
  論文  参考訳（メタデータ） (2025-05-14T17:59:17Z)
• Self-Supervised Scalable Deep Compressed Sensing [24.854496459622787]
  圧縮センシングはサンプリングコストを削減するための有望なツールである。 現在のディープニューラルネットワーク(NN)ベースのCS手法は、ラベル付き測定地上真実(GT)データ収集の課題に直面している。 本稿では,新しい$mathbfS$elf-supervised s$mathbfC$alable Deep CS法を提案する。
  論文  参考訳（メタデータ） (2023-08-26T06:03:06Z)
• Faster Stochastic Variance Reduction Methods for Compositional MiniMax Optimization [50.10952609321302]
  合成ミニマックス最適化は、さまざまな機械学習領域において重要な課題である。 構成最小最適化の現在の方法は、最適以下の複雑さや、大きなバッチサイズに大きく依存することによって悩まされている。 本稿では,Nested STOchastic Recursive Momentum (NSTORM)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T14:57:21Z)
• Evaluating Graph Neural Networks for Link Prediction: Current Pitfalls and New Benchmarking [66.83273589348758]
  リンク予測は、グラフのエッジの一部のみに基づいて、目に見えないエッジが存在するかどうかを予測しようとする。 近年,この課題にグラフニューラルネットワーク(GNN)を活用すべく,一連の手法が導入されている。 これらの新しいモデルの有効性をよりよく評価するために、新しい多様なデータセットも作成されている。
  論文  参考訳（メタデータ） (2023-06-18T01:58:59Z)
• Contrastive Neural Ratio Estimation for Simulation-based Inference [15.354874711988662]
  Likelihood-to-evidence ratio Estimation は通常、バイナリ (NRE-A) またはマルチクラス (NRE-B) の分類タスクとしてキャストされる。 バイナリ分類フレームワークとは対照的に、現在のマルチクラスバージョンの定式化は本質的で未知のバイアス項を持つ。 我々は,NRE-Bに固有のバイアスを最適に含まないマルチクラスフレームワークを提案し,実践者が依存する診断を行う立場に置かれる。
  論文  参考訳（メタデータ） (2022-10-11T00:12:51Z)
• 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)
• FEDNEST: Federated Bilevel, Minimax, and Compositional Optimization [53.78643974257301]
  多くの現代のML問題は、ミニマックスと合成最適化を仮定したネストされた双レベルプログラミングに該当する。 我々は、一般的なネスト問題に対処するフェデレーション付き交互勾配法を提案する。
  論文  参考訳（メタデータ） (2022-05-04T17:48:55Z)
• Meta-Learned Confidence for Few-shot Learning [60.6086305523402]
  数ショットのメトリックベースのアプローチのための一般的なトランスダクティブ推論手法は、最も確実なクエリ例の平均で、各クラスのプロトタイプを更新することである。 本稿では,各クエリの信頼度をメタラーニングして,ラベルのないクエリに最適な重みを割り当てる手法を提案する。 4つのベンチマークデータセットに対してメタ学習の信頼度で、少数ショットの学習モデルを検証した。
  論文  参考訳（メタデータ） (2020-02-27T10:22:17Z)

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。