論文の概要: Split-and-Conquer: Distributed Factor Modeling for High-Dimensional Matrix-Variate Time Series

• arxiv url: http://arxiv.org/abs/2601.11091v1
• Date: Fri, 16 Jan 2026 08:42:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.414824
• Title: Split-and-Conquer: Distributed Factor Modeling for High-Dimensional Matrix-Variate Time Series
• Title（参考訳）: Split-and-Conquer:高次元行列-可変時系列の分散因子モデリング
• Authors: Hangjin Jiang, Yuzhou Li, Zhaoxing Gao,
• Abstract要約: 提案手法の漸近特性は,各演算ユニットにおけるデータの分散次元に対して導出される。 本フレームワークは潜在行列構造を保存し,計算効率の向上と情報利用の促進を図る。
• 参考スコア（独自算出の注目度）: 0.7372706701787234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we propose a distributed framework for reducing the dimensionality of high-dimensional, large-scale, heterogeneous matrix-variate time series data using a factor model. The data are first partitioned column-wise (or row-wise) and allocated to node servers, where each node estimates the row (or column) loading matrix via two-dimensional tensor PCA. These local estimates are then transmitted to a central server and aggregated, followed by a final PCA step to obtain the global row (or column) loading matrix estimator. Given the estimated loading matrices, the corresponding factor matrices are subsequently computed. Unlike existing distributed approaches, our framework preserves the latent matrix structure, thereby improving computational efficiency and enhancing information utilization. We also discuss row- and column-wise clustering procedures for settings in which the group memberships are unknown. Furthermore, we extend the analysis to unit-root nonstationary matrix-variate time series. Asymptotic properties of the proposed method are derived for the diverging dimension of the data in each computing unit and the sample size $T$. Simulation results assess the computational efficiency and estimation accuracy of the proposed framework, and real data applications further validate its predictive performance.
• Abstract（参考訳）: 本稿では,因子モデルを用いて,高次元,大規模,異質な行列-変量時系列データの次元性を低減する分散フレームワークを提案する。 データはまず列単位で(または行単位で)分割され、ノードサーバに割り当てられ、各ノードは2次元テンソルPCAを介して行(または列)の読み込み行列を推定する。 これらのローカルな推定結果は中央サーバに送信され集約され、続いて最終PCAステップでグローバルな行(または列)ロード行列推定器が得られる。 推定負荷行列を考えると、対応する因子行列は後に計算される。 既存の分散手法とは異なり,我々のフレームワークは潜在行列構造を保存し,計算効率の向上と情報利用の促進を図る。 また、グループメンバーシップが不明な設定のための行と列のクラスタリング手順についても論じる。 さらに、解析を単位根非定常行列変量時系列に拡張する。 提案手法の漸近特性は,各演算ユニットにおけるデータの分散次元とサンプルサイズ$T$に対して導出される。 シミュレーション結果は,提案フレームワークの計算効率と推定精度を評価し,実データによる予測性能のさらなる検証を行う。

関連論文リスト

• Nonparametric Linear Discriminant Analysis for High Dimensional Matrix-Valued Data [0.0]
  本稿では,行列値観測に適したフィッシャーの線形判別分析(LDA)の新たな拡張を提案する。 我々は、NPMLE(Non Maximum Likelihood Estimation)に基づく非パラメトリック経験的ベイズフレームワークを採用する。 本手法は,行列設定に効果的に一般化され,分類性能が向上する。
  論文  参考訳（メタデータ） (2025-07-25T07:30:24Z)
• Cramer-Rao Bounds for Laplacian Matrix Estimation [56.1214184671173]
  クラマー・ラオ境界(CRB)の閉形式行列式をラプラシア行列推定に特化して導出した。 電力系統における(i)トポロジー同定,(ii)拡散モデルにおけるグラフフィルタ同定,(iii)ラプラシアン制約下でのガウスマルコフ確率場における精度行列推定の3つの代表的応用について示す。
  論文  参考訳（メタデータ） (2025-04-06T18:28:31Z)
• An Efficient Algorithm for Clustered Multi-Task Compressive Sensing [60.70532293880842]
  クラスタ化マルチタスク圧縮センシングは、複数の圧縮センシングタスクを解決する階層モデルである。 このモデルに対する既存の推論アルゴリズムは計算コストが高く、高次元ではうまくスケールしない。 本稿では,これらの共分散行列を明示的に計算する必要をなくし,モデル推論を大幅に高速化するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-09-30T15:57:14Z)
• K-Tensors: Clustering Positive Semi-Definite Matrices [0.0]
  本稿では、K-Tensorsと呼ばれる対称正半定値行列に対する新しいクラスタリングアルゴリズムを提案する。 本稿では,クラスタリングアルゴリズムが軽度分布仮定の下で自己整合性を示し,局所的な最適化に収束することを示す。 本稿では,Human Connectome Projectの静止機能型磁気共鳴画像(rs-fMRI)データへのアルゴリズムの適用を実証する。
  論文  参考訳（メタデータ） (2023-06-10T22:24:42Z)
• Semi-Supervised Subspace Clustering via Tensor Low-Rank Representation [64.49871502193477]
  本稿では,初期監視情報を同時に拡張し,識別親和性行列を構築することのできる,新しい半教師付きサブスペースクラスタリング手法を提案する。 6つの一般的なベンチマークデータセットの総合的な実験結果から,本手法が最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-21T01:47:17Z)
• Adversarially-Trained Nonnegative Matrix Factorization [77.34726150561087]
  非負行列ファクタリゼーションの逆学習版を検討する。 我々の定式化では、攻撃者は与えられたデータ行列に有界ノルムの任意の行列を追加する。 辞書と係数行列を最適化するために, 逆学習に触発された効率的なアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-04-10T13:13:17Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)
• Multi-View Spectral Clustering with High-Order Optimal Neighborhood Laplacian Matrix [57.11971786407279]
  マルチビュースペクトルクラスタリングは、データ間の固有のクラスタ構造を効果的に明らかにすることができる。 本稿では,高次最適近傍ラプラシア行列を学習するマルチビュースペクトルクラスタリングアルゴリズムを提案する。 提案アルゴリズムは, 1次ベースと高次ベースの両方の線形結合の近傍を探索し, 最適ラプラシア行列を生成する。
  論文  参考訳（メタデータ） (2020-08-31T12:28:40Z)
• Covariance Estimation for Matrix-valued Data [9.739753590548796]
  本研究では,高次元行列データに対する分布自由正規化共分散推定法を提案する。 我々は、バンド可能な共分散を推定するための統一的な枠組みを定式化し、ランク1の制約のないクロネッカー積近似に基づく効率的なアルゴリズムを導入する。 格子状温度異常データセットとS&P 500ストックデータ解析によるシミュレーションと実応用を用いて,本手法の優れた有限サンプル性能を実証した。
  論文  参考訳（メタデータ） (2020-04-11T02:15:26Z)

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。