論文の概要: RKUM: An R Package for Robust Kernel Unsupervised Methods
- arxiv url: http://arxiv.org/abs/2511.03216v1
- Date: Wed, 05 Nov 2025 06:08:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-06 18:19:32.353648
- Title: RKUM: An R Package for Robust Kernel Unsupervised Methods
- Title（参考訳）: RKUM:ロバストカーネルの教師なしメソッドのためのRパッケージ
- Authors: Md Ashad Alam,
- Abstract要約: Rパッケージは、堅牢なカーネルベースの教師なしメソッドを実装するために開発された。
RKUMは、高次元データアプリケーションで堅牢なカーネルベースの分析のためのプラットフォームを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: RKUM is an R package developed for implementing robust kernel-based unsupervised methods. It provides functions for estimating the robust kernel covariance operator (CO) and the robust kernel cross-covariance operator (CCO) using generalized loss functions instead of the conventional quadratic loss. These operators form the foundation of robust kernel learning and enable reliable analysis under contaminated or noisy data conditions. The package includes implementations of robust kernel canonical correlation analysis (Kernel CCA), as well as the influence function (IF) for both standard and multiple kernel CCA frameworks. The influence function quantifies sensitivity and helps detect influential or outlying observations across two-view and multi-view datasets. Experiments using synthesized two-view and multi-view data demonstrate that the IF of the standard kernel CCA effectively identifies outliers, while the robust kernel methods implemented in RKUM exhibit reduced sensitivity to contamination. Overall, RKUM provides an efficient and extensible platform for robust kernel-based analysis in high-dimensional data applications.
- Abstract（参考訳）: RKUMは、堅牢なカーネルベースの教師なしメソッドを実装するために開発されたRパッケージである。
従来の二次的損失関数の代わりに一般化された損失関数を用いて、ロバストカーネル共分散演算子(CO)とロバストカーネルクロス共分散演算子(CCO)を推定する関数を提供する。
これらの演算子は、堅牢なカーネル学習の基礎を形成し、汚染またはノイズの多いデータ条件下で信頼性の高い解析を可能にする。
このパッケージには、堅牢なカーネル標準相関解析(Kernel CCA)の実装と、標準および複数のカーネルCCAフレームワークに対する影響関数(IF)が含まれている。
インフルエンス関数は感度を定量化し、2ビューおよび複数ビューデータセット間の影響力のある、または外部からの観測を検出するのに役立つ。
合成2ビューデータとマルチビューデータを用いて実験したところ、標準カーネルCCAのIFが有効に外れ値を特定し、RKUMで実装されたロバストカーネル法は汚染に対する感受性を低下させることが示された。
全体として、RKUMは高次元データアプリケーションにおいて、堅牢なカーネルベースの分析のための効率的で拡張可能なプラットフォームを提供する。
関連論文リスト
- Generalization Bound of Gradient Flow through Training Trajectory and Data-dependent Kernel [55.82768375605861]
我々は、カーネル法における古典的ラデマッハ複雑性と整合する勾配流の一般化を確立する。
NTKのような静的カーネルとは異なり、LPKはトレーニング軌跡全体をキャプチャし、データと最適化の両方に適応する。
論文 参考訳（メタデータ） (2025-06-12T23:17:09Z) - Kernel-Based Anomaly Detection Using Generalized Hyperbolic Processes [16.79885220470521]
本稿では,一般化ハイパーボリック(GH)プロセスをカーネルベースの手法に統合することで,異常検出の新しい手法を提案する。
本稿では,GHに基づくカーネル関数を提案し,カーネル密度推定(KDE)とワンクラスサポートベクトルマシン(OCSVM)を用いて異常検出フレームワークを開発する。
論文 参考訳（メタデータ） (2025-01-25T16:21:44Z) - Kernel-based retrieval models for hyperspectral image data optimized with Kernel Flows [0.0]
カーネルベースの統計手法は効率的であるが、その性能はカーネルパラメータの選択に大きく依存する。
K-PCR(Kernel principal Component Regression)を最適化し,KF-PLSとともにテストするための新しいKF型アプローチを提案する。
両手法は2つのハイパースペクトルリモートセンシングデータセットを用いて非線形回帰手法に対してベンチマークを行う。
論文 参考訳（メタデータ） (2024-11-12T13:54:13Z) - Variance-Reducing Couplings for Random Features [57.73648780299374]
ランダム機能(RF)は、機械学習においてカーネルメソッドをスケールアップする一般的なテクニックである。
ユークリッド空間と離散入力空間の両方で定義されるRFを改善するための結合を求める。
パラダイムとしての分散還元の利点と限界について、驚くほどの結論に達した。
論文 参考訳（メタデータ） (2024-05-26T12:25:09Z) - Learning "best" kernels from data in Gaussian process regression. With
application to aerodynamics [0.4588028371034406]
本稿では,ガウス過程の回帰/クリギングサロゲートモデリング手法におけるカーネルの選択/設計アルゴリズムを紹介する。
アルゴリズムの最初のクラスはカーネルフローであり、機械学習の分類の文脈で導入された。
アルゴリズムの第2のクラスはスペクトル核リッジ回帰と呼ばれ、近似される関数のノルムが最小となるような「最良の」カーネルを選択することを目的としている。
論文 参考訳（メタデータ） (2022-06-03T07:50:54Z) - Meta-Learning Hypothesis Spaces for Sequential Decision-making [79.73213540203389]
オフラインデータ(Meta-KeL)からカーネルをメタ学習することを提案する。
穏やかな条件下では、推定されたRKHSが有効な信頼セットを得られることを保証します。
また,ベイズ最適化におけるアプローチの有効性を実証的に評価した。
論文 参考訳（メタデータ） (2022-02-01T17:46:51Z) - BCDAG: An R package for Bayesian structure and Causal learning of
Gaussian DAGs [77.34726150561087]
観測データから因果関係の発見と因果関係を推定するためのRパッケージを提案する。
我々の実装は、観測回数とともに効率的にスケールし、DAGが十分にスパースであるたびに、データセット内の変数の数を削減します。
次に、実際のデータセットとシミュレーションデータセットの両方で、主な機能とアルゴリズムを説明します。
論文 参考訳（メタデータ） (2022-01-28T09:30:32Z) - A Robust Asymmetric Kernel Function for Bayesian Optimization, with
Application to Image Defect Detection in Manufacturing Systems [2.4278445972594525]
我々は、ロバストなカーネル関数、非対称な弾性ネットラジアル基底関数(AEN-RBF)を提案する。
理論的には、AEN-RBFは穏やかな条件下でより小さな平均2乗予測誤差を実現できることを示す。
また、AEN-RBFカーネル関数は、外れ値に対する感度が低いことも示している。
論文 参考訳（メタデータ） (2021-09-22T17:59:05Z) - Flow-based Kernel Prior with Application to Blind Super-Resolution [143.21527713002354]
カーネル推定は一般にブラインド画像超解像(SR)の鍵となる問題の一つである
本稿では,カーネルモデリングのための正規化フローベースカーネルプリレント(fkp)を提案する。
合成および実世界の画像の実験により、提案したFKPがカーネル推定精度を大幅に向上することを示した。
論文 参考訳（メタデータ） (2021-03-29T22:37:06Z) - Kernel k-Means, By All Means: Algorithms and Strong Consistency [21.013169939337583]
Kernel $k$クラスタリングは、非線形データの教師なし学習のための強力なツールである。
本稿では,最適化された局所解に対処するための一般的な手法を応用した結果を一般化する。
我々のアルゴリズムは、この非線形分離問題をよりよく解くために、Magricalization-minimization (MM) を利用している。
論文 参考訳（メタデータ） (2020-11-12T16:07:18Z) - Isolation Distributional Kernel: A New Tool for Point & Group Anomaly
Detection [76.1522587605852]
分離分散カーネル(IDK)は2つの分布の類似性を測定する新しい方法である。
我々は、カーネルベースの異常検出のための新しいツールとして、IDKの有効性と効率を示す。
論文 参考訳（メタデータ） (2020-09-24T12:25:43Z)
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。