論文の概要: A New Family of Poisson Non-negative Matrix Factorization Methods Using the Shifted Log Link

• arxiv url: http://arxiv.org/abs/2601.05845v1
• Date: Fri, 09 Jan 2026 15:16:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-12 17:41:49.999467
• Title: A New Family of Poisson Non-negative Matrix Factorization Methods Using the Shifted Log Link
• Title（参考訳）: シフトログリンクを用いたポアソン非負行列分解法
• Authors: Eric Weine, Peter Carbonetto, Rafael A. Irizarry, Matthew Stephens,
• Abstract要約: シフトログリンク機能を備えたPoisson NMFを提案する。 ポアソンNMFにおけるリンク関数の選択が、どのようにして結果に瞬時に影響を及ぼすかを示す。
• 参考スコア（独自算出の注目度）: 2.368245632896611
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Poisson non-negative matrix factorization (NMF) is a widely used method to find interpretable "parts-based" decompositions of count data. While many variants of Poisson NMF exist, existing methods assume that the "parts" in the decomposition combine additively. This assumption may be natural in some settings, but not in others. Here we introduce Poisson NMF with the shifted-log link function to relax this assumption. The shifted-log link function has a single tuning parameter, and as this parameter varies the model changes from assuming that parts combine additively (i.e., standard Poisson NMF) to assuming that parts combine more multiplicatively. We provide an algorithm to fit this model by maximum likelihood, and also an approximation that substantially reduces computation time for large, sparse datasets (computations scale with the number of non-zero entries in the data matrix). We illustrate these new methods on a variety of real datasets. Our examples show how the choice of link function in Poisson NMF can substantively impact the results, and how in some settings the use of a shifted-log link function may improve interpretability compared with the standard, additive link.
• Abstract（参考訳）: ポアソン非負行列分解(ポアソン非負行列分解、英: Poisson non- negative matrix factorization、NMF)は、カウントデータの解釈可能な「部分」分解を見つけるために広く用いられる方法である。 ポアソン NMF の多くの変種が存在するが、既存の方法は分解の「部分」が加法的に結合すると仮定している。 この仮定は、ある設定では自然かもしれませんが、他の設定ではそうではありません。 ここでは、この仮定を緩和するために、シフトログリンク関数を持つPoisson NMFを紹介する。 シフトログリンク関数は、単一のチューニングパラメータを持ち、このパラメータが変化するにつれて、部品が加法的に(つまり標準ポアソンNMF)結合することを仮定するから、部品がより乗法的に結合することを仮定するまでの間、モデルの変化が変化する。 我々は,このモデルを最大限の確率で適合させるアルゴリズムと,大小のデータセットの計算時間を著しく短縮する近似(計算量とデータマトリックス内のゼロでないエントリ数)を提供する。 我々は,これらの新しい手法を,様々な実際のデータセットで説明する。 我々の例は、Poisson NMFにおけるリンク関数の選択が結果に瞬時に影響を及ぼすかを示し、いくつかの設定ではシフトログリンク関数を用いることで、標準の付加的リンクよりも解釈性が向上することを示した。

関連論文リスト

• Collaborative filtering based on nonnegative/binary matrix factorization [0.0]
  協調フィルタリングは、レーティングデータに基づいて、ユーザとイテムの類似性を活用してレコメンデーションを生成する。 非負行列分解 (NBMF) は非負行列と二項行列の積として非負行列を近似する。 本稿では,スパースデータを用いた協調フィルタリングに適したNBMFアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-10-14T11:10:15Z)
• Uncovering Model Processing Strategies with Non-Negative Per-Example Fisher Factorization [44.39409273712917]
  我々は,モデルが予測を生成するために使用する戦略を明らかにすることを目的とした解釈可能性手法であるNPEFFを紹介する。 我々は NPEFF コンポーネントが様々な言語モデルやテキスト処理タスクのモデル処理戦略に対応することを実証した。
  論文  参考訳（メタデータ） (2023-10-07T02:02:45Z)
• Learning from aggregated data with a maximum entropy model [73.63512438583375]
  我々は,観測されていない特徴分布を最大エントロピー仮説で近似することにより,ロジスティック回帰と類似した新しいモデルが,集約データからのみ学習されることを示す。 我々は、この方法で学習したモデルが、完全な非凝集データでトレーニングされたロジスティックモデルに匹敵するパフォーマンスを達成することができるという、いくつかの公開データセットに関する実証的な証拠を提示する。
  論文  参考訳（メタデータ） (2022-10-05T09:17:27Z)
• Log-based Sparse Nonnegative Matrix Factorization for Data Representation [55.72494900138061]
  非負の行列因子化(NMF)は、非負のデータを部品ベースの表現で表すことの有効性から、近年広く研究されている。 そこで本研究では,係数行列に対数ノルムを課した新しいNMF法を提案する。 提案手法のロバスト性を高めるために,$ell_2,log$-(pseudo) ノルムを新たに提案した。
  論文  参考訳（メタデータ） (2022-04-22T11:38:10Z)
• An Entropy Weighted Nonnegative Matrix Factorization Algorithm for Feature Representation [6.156004893556576]
  エントロピー重み付きNMF(EWNMF)と呼ばれる新しいタイプのNMFを提案する。 EWNMFは各データポイントの属性ごとに最適化可能な重みを使い、その重要性を強調する。 いくつかのデータセットによる実験結果から,提案手法の有効性と有効性を示した。
  論文  参考訳（メタデータ） (2021-11-27T23:37:20Z)
• Solving weakly supervised regression problem using low-rank manifold regularization [77.34726150561087]
  我々は弱い教師付き回帰問題を解く。 weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。 数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
  論文  参考訳（メタデータ） (2021-04-13T23:21:01Z)
• 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)
• Piecewise Linear Regression via a Difference of Convex Functions [50.89452535187813]
  本稿では,データに対する凸関数(DC関数)の差を利用した線形回帰手法を提案する。 実際に実装可能であることを示すとともに,実世界のデータセット上で既存の回帰/分類手法に匹敵する性能を有することを実証的に検証した。
  論文  参考訳（メタデータ） (2020-07-05T18:58:47Z)
• Ordinal Non-negative Matrix Factorization for Recommendation [9.431454966446076]
  我々は、OrdNMFと呼ばれる順序データに対する新しい非負行列分解法(NMF)を導入する。 OrdNMFはBernoulli-Poisson Factorization (BePoF)とPoisson Factorization (PF)を二項化データに適用する潜在因子モデルである。
  論文  参考訳（メタデータ） (2020-06-01T16:02:11Z)

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。