論文の概要: Feature Understanding and Sparsity Enhancement via 2-Layered kernel machines (2L-FUSE)

• arxiv url: http://arxiv.org/abs/2509.07806v1
• Date: Tue, 09 Sep 2025 14:45:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.361293
• Title: Feature Understanding and Sparsity Enhancement via 2-Layered kernel machines (2L-FUSE)
• Title（参考訳）: 2層カーネルマシン(2L-FUSE)による特徴理解と空間拡張
• Authors: Fabiana Camattari, Sabrina Guastavino, Francesco Marchetti, Emma Perracchione,
• Abstract要約: 本稿では,データ適応型カーネルメトリックの学習に基づいて,回帰タスクの空間性向上戦略を提案する。 結果として得られる形状行列は、固有分解によって分解される入力空間のマハラノビス型変形を定義する。 地磁気嵐の実際のデータセットに対する合成および応用実験により,我々の手法は予測性能を損なうことなく,最小かつ高情報性の高い特徴集合を達成できることを示した。
• 参考スコア（独自算出の注目度）: 3.674863913115431
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel sparsity enhancement strategy for regression tasks, based on learning a data-adaptive kernel metric, i.e., a shape matrix, through 2-Layered kernel machines. The resulting shape matrix, which defines a Mahalanobis-type deformation of the input space, is then factorized via an eigen-decomposition, allowing us to identify the most informative directions in the space of features. This data-driven approach provides a flexible, interpretable and accurate feature reduction scheme. Numerical experiments on synthetic and applications to real datasets of geomagnetic storms demonstrate that our approach achieves minimal yet highly informative feature sets without losing predictive performance.
• Abstract（参考訳）: 本稿では,データ適応型カーネルメトリック,すなわち形状行列を2層カーネルマシンで学習し,レグレッションタスクの空間性向上戦略を提案する。 入力空間のマハラノビス型変形を定義する結果の形状行列は固有分解によって分解され、特徴空間の最も情報的な方向を特定できる。 このデータ駆動型アプローチは、柔軟で解釈可能で正確な機能削減スキームを提供する。 地磁気嵐の実際のデータセットへの合成と応用に関する数値実験により, 予測性能を損なうことなく, 最小かつ高情報性の高い特徴集合が得られることを示した。

関連論文リスト

• A Mathematical Optimization Approach to Multisphere Support Vector Data Description [1.9499277906326784]
  我々は、ユークリッド超球体を構築して異常観測を識別する混合第二次円錐モデルの原始的な定式化を提供する。 本研究では,カーネルトリックの適用を可能にする2つのモデルを構築し,複雑な非線形データ構造内の外乱検出を可能にする。
  論文  参考訳（メタデータ） (2025-07-15T08:57:27Z)
• Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
  本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。 注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
  論文  参考訳（メタデータ） (2024-09-20T07:41:47Z)
• Multi-Linear Kernel Regression and Imputation in Data Manifolds [12.15802365851407]
  本稿では、データ回帰とインプットのための効率的なマルチ線形非パラメトリック近似フレームワークとその動的磁気共鳴イメージング(dMRI)への応用について紹介する。 データ特徴は、ヒルベルト空間を再現するカーネルに埋め込まれた滑らかな多様体に、あるいは近くに存在すると仮定される。ランドマーク点は、接空間の概念を滑らかに模倣する線形近似パッチにより、特徴の点雲を記述するために特定される。 マルチ線形モデルは次元の削減に影響を及ぼし、効率的な計算を可能にし、トレーニングデータや追加情報なしでデータパターンとその幾何学を抽出する。
  論文  参考訳（メタデータ） (2023-04-06T12:58:52Z)
• MFAI: A Scalable Bayesian Matrix Factorization Approach to Leveraging Auxiliary Information [8.42894516984735]
  確率行列因数分解フレームワークに勾配増木木を統合して補助情報(MFAI)を活用することを提案する。 MFAIは自然に、非線形関係を柔軟にモデル化する能力など、勾配を増進した木の健全な特徴を継承する。 MFAIは、変分推論を利用して計算効率が高く、大規模なデータセットにスケーラブルである。
  論文  参考訳（メタデータ） (2023-03-05T03:26:14Z)
• Fundamental Limits of Two-layer Autoencoders, and Achieving Them with Gradient Methods [91.54785981649228]
  本稿では,非線形二層型オートエンコーダについて述べる。 本結果は,人口リスクの最小化要因を特徴付け,その最小化要因が勾配法によって達成されることを示す。 符号アクティベーション関数の特別な場合において、この解析は、シャローオートエンコーダによるガウス音源の損失圧縮の基本的な限界を確立する。
  論文  参考訳（メタデータ） (2022-12-27T12:37:34Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• 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)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)

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。