論文の概要: Graph Regularized PCA

• arxiv url: http://arxiv.org/abs/2601.10199v1
• Date: Thu, 15 Jan 2026 08:57:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.068244
• Title: Graph Regularized PCA
• Title（参考訳）: グラフ正規化PCA
• Authors: Antonio Briola, Marwin Schmidt, Fabio Caccioli, Carlos Ros Perez, James Singleton, Christian Michler, Tomaso Aste,
• Abstract要約: グラフ正規化PCA(GR-PCA)は、データ特徴の依存関係構造を組み込んだグラフベースのPCAの正規化である。 GR-PCAは、意図した支持に分散を集中させ、低いグラフ-ラプラシアエネルギーで負荷を発生させ、サンプル外再構成において競争力を維持する。 PCAの優位性は、高周波信号がグラフ関連であるときに最も顕著であるが、そのような信号がほぼ回転不変であるとき、PCAは競争力を維持する。
• 参考スコア（独自算出の注目度）: 3.7916397178670884
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: High-dimensional data often exhibit dependencies among variables that violate the isotropic-noise assumption under which principal component analysis (PCA) is optimal. For cases where the noise is not independent and identically distributed across features (i.e., the covariance is not spherical) we introduce Graph Regularized PCA (GR-PCA). It is a graph-based regularization of PCA that incorporates the dependency structure of the data features by learning a sparse precision graph and biasing loadings toward the low-frequency Fourier modes of the corresponding graph Laplacian. Consequently, high-frequency signals are suppressed, while graph-coherent low-frequency ones are preserved, yielding interpretable principal components aligned with conditional relationships. We evaluate GR-PCA on synthetic data spanning diverse graph topologies, signal-to-noise ratios, and sparsity levels. Compared to mainstream alternatives, it concentrates variance on the intended support, produces loadings with lower graph-Laplacian energy, and remains competitive in out-of-sample reconstruction. When high-frequency signals are present, the graph Laplacian penalty prevents overfitting, reducing the reconstruction accuracy but improving structural fidelity. The advantage over PCA is most pronounced when high-frequency signals are graph-correlated, whereas PCA remains competitive when such signals are nearly rotationally invariant. The procedure is simple to implement, modular with respect to the precision estimator, and scalable, providing a practical route to structure-aware dimensionality reduction that improves structural fidelity without sacrificing predictive performance.
• Abstract（参考訳）: 高次元データは、主成分分析(PCA)が最適である等方的-雑音仮定に反する変数間の依存関係を示すことが多い。 ノイズが独立で同値でない場合(すなわち共分散は球面ではない)、グラフ正規化PCA(GR-PCA)を導入する。 PCAのグラフベースの正規化であり、スパース精度グラフを学習し、対応するグラフラプラシアンの低周波フーリエモードへの負荷を偏り、データ特徴の依存性構造を組み込む。 その結果、グラフコヒーレントな低周波信号が保存されている間に高周波信号が抑制され、条件付き関係に整合した解釈可能な主成分が得られる。 我々は,多彩なグラフトポロジ,信号-雑音比,空間レベルにまたがる合成データ上でGR-PCAを評価する。 主流の代替品と比較して、目的の支持にばらつきを集中させ、グラフ-ラプラシアエネルギーの低い負荷を発生させ、サンプル外再構成において競争力を維持している。 高周波信号が存在する場合、グラフラプラシアのペナルティは過度な適合を防止し、再構成精度を低下させるが、構造的忠実性を改善する。 PCAの優位性は、高周波信号がグラフ関連であるときに最も顕著であるが、そのような信号がほぼ回転不変であるとき、PCAは競争力を維持する。 この手順は実装が簡単で、精度推定器に関してモジュラーであり、拡張性があり、予測性能を犠牲にすることなく構造的忠実性を向上する構造的認識次元減少への実践的な経路を提供する。

関連論文リスト

• PCA++: How Uniformity Induces Robustness to Background Noise in Contrastive Learning [12.061533430519702]
  高次元データは、しばしば構造化背景雑音によって隠蔽される低次元信号を含む。 対照的な学習によって動機づけられた我々は、正のペアから共有信号部分空間を復元する問題、同じ信号を共有するが、バックグラウンドで異なるペアの観測に対処する。 我々のベースラインであるPCA+は、アライメントのみのコントラスト学習を使用し、背景変動が穏やかな場合に成功するが、強いノイズや高次元の条件下では失敗する。 我々は,PCA++を紹介した。PCA++は制約の厳しいコントラスト型PCAで,投影された特徴に対して同一性共分散を強制する。
  論文  参考訳（メタデータ） (2025-11-15T16:11:39Z)
• Covariance Scattering Transforms [36.771729185178586]
  本稿では,共分散スペクトルに局在したフィルタを入力データに適用し,非線形性により表現的階層表現を生成する深層学習ネットワークを提案する。 我々の実験では、CSTはVNNのように低データ設定で安定した表現を生成するが、トレーニングは行わず、同等あるいはより良い予測をもたらす。
  論文  参考訳（メタデータ） (2025-11-12T01:29:31Z)
• Learning Time-Varying Graphs from Incomplete Graph Signals [1.7430416823420511]
  グラフから欠落したデータを出力する問題を解くために,効率的な交互方向乗算アルゴリズムを開発した。 提案したADMMスキームが収束し,定常点を導出することを示す。
  論文  参考訳（メタデータ） (2025-10-19T11:12:13Z)
• Low-Rank Tensor Recovery via Variational Schatten-p Quasi-Norm and Jacobian Regularization [49.85875869048434]
  暗黙的神経表現のためのニューラルネットワークによりパラメータ化されたCPベースの低ランクテンソル関数を提案する。 本研究では、スペーサーCP分解を実現するために、冗長なランク1成分に変分Schatten-p quasi-normを導入する。 滑らか性のために、ヤコビアンとハッチンソンのトレース推定器のスペクトルノルムに基づく正規化項を提案する。
  論文  参考訳（メタデータ） (2025-06-27T11:23:10Z)
• Learn Beneficial Noise as Graph Augmentation [54.44813218411879]
  本稿では,情報理論における雑音の有益効果を科学的に分析するPiNGDAを提案する。 我々は,事前定義された拡張値を持つ標準GCLが,点推定による有益雑音の推定に等価であることを証明した。 生成元はグラフトポロジとノード属性に対して有益な摂動を生成する方法を学ぶため、PiNGDAは既存の手法よりも信頼性が高い。
  論文  参考訳（メタデータ） (2025-05-25T08:20:34Z)
• Outlier-aware Tensor Robust Principal Component Analysis with Self-guided Data Augmentation [21.981038455329013]
  適応重み付けを用いた自己誘導型データ拡張手法を提案する。 本研究では,最先端手法と比較して精度と計算効率の両面での改善を示す。
  論文  参考訳（メタデータ） (2025-04-25T13:03:35Z)
• Online Graph Topology Learning via Time-Vertex Adaptive Filters: From Theory to Cardiac Fibrillation [37.69303106863453]
  本稿では,動的グラフトポロジ推定のための空間適応アルゴリズムであるAdaCGPを紹介する。 AdaCGPは一貫して最先端の手法より優れている。 確立した手法よりも効果的に伝搬パターンの動的変化を追跡する。
  論文  参考訳（メタデータ） (2024-11-03T13:43:51Z)
• Graph Signal Sampling for Inductive One-Bit Matrix Completion: a Closed-form Solution [112.3443939502313]
  グラフ信号解析と処理の利点を享受する統合グラフ信号サンプリングフレームワークを提案する。 キーとなる考え方は、各ユーザのアイテムのレーティングをアイテムイットグラフの頂点上の関数(信号)に変換することである。 オンライン設定では、グラフフーリエ領域における連続ランダムガウス雑音を考慮したベイズ拡張(BGS-IMC)を開発する。
  論文  参考訳（メタデータ） (2023-02-08T08:17:43Z)
• PCPL: Predicate-Correlation Perception Learning for Unbiased Scene Graph Generation [58.98802062945709]
  本稿では,適切な損失重みを適応的に求めるための新しい述語相関知覚学習手法を提案する。 我々のPCPLフレームワークは、文脈特徴をよりよく抽出するグラフエンコーダモジュールも備えています。
  論文  参考訳（メタデータ） (2020-09-02T08:30:09Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)
• When Does Preconditioning Help or Hurt Generalization? [74.25170084614098]
  本稿では,第1次および第2次手法のテキスト単純バイアスが一般化特性の比較にどのように影響するかを示す。 本稿では、バイアス分散トレードオフを管理するためのいくつかのアプローチと、GDとNGDを補間する可能性について論じる。
  論文  参考訳（メタデータ） (2020-06-18T17:57:26Z)

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。