論文の概要: Active multiple matrix completion with adaptive confidence sets

• arxiv url: http://arxiv.org/abs/2605.02458v1
• Date: Mon, 04 May 2026 11:03:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.250716
• Title: Active multiple matrix completion with adaptive confidence sets
• Title（参考訳）: アダプティブ・アダプティブ・アライアンス・セットによるアクティブ多重行列補完
• Authors: Andrea Locatelli, Alexandra Carpentier, Michal Valko,
• Abstract要約: 学習者のゴールは複数の行列補完問題を同時に解くことである。 私たちの主な実践的動機は市場セグメンテーション(市場セグメンテーション)です。 我々は,未知の行列に適応可能な新しいアルゴリズム MAlocate を提案し,解析する。
• 参考スコア（独自算出の注目度）: 59.421761942386944
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we formulate a new multi-task active learning setting in which the learner's goal is to solve multiple matrix completion problems simultaneously. At each round, the learner can choose from which matrix it receives a sample from an entry drawn uniformly at random. Our main practical motivation is market segmentation, where the matrices represent different regions with different preferences of the customers. The challenge in this setting is that each of the matrices can be of a different size and also of a different rank which is unknown. We provide and analyze a new algorithm, MAlocate that is able to adapt to the unknown ranks of the different matrices. We then give a lower-bound showing that our strategy is minimax-optimal and demonstrate its performance with synthetic experiments.
• Abstract（参考訳）: 本研究では,学習者の目的が複数の行列補完問題を同時に解くことにある,新しいマルチタスク能動的学習環境を定式化する。 各ラウンドにおいて、学習者はランダムに描画されたエントリからサンプルを受け取る行列の中から選択することができる。 私たちの主な実践的動機は市場セグメンテーション(市場セグメンテーション)です。 この設定の課題は、各行列が異なる大きさで、また未知の階数でもよいことである。 我々は,未知の行列に適応可能な新しいアルゴリズム MAlocate を提案し,解析する。 次に,我々の戦略がミニマックス最適であることを示し,その性能を合成実験で実証する。

関連論文リスト

• Truncated Matrix Completion - An Empirical Study [7.912206996605676]
  低ランク行列補完は、部分的に観察された低ランク行列の欠落成分を回復したいという問題を記述している。 サンプリングマスクが基礎となるデータ値に依存している様々な設定を考察し,センサ,シーケンシャルな意思決定,レコメンデーションシステムなどの応用に動機付けている。
  論文  参考訳（メタデータ） (2025-04-14T04:42:00Z)
• Matrix Diagonalization as a Board Game: Teaching an Eigensolver the Fastest Path to Solution [2.239917051803692]
  行列対角化は科学計算の多くの分野の基盤となっている。 我々は,AlphaZeroフレームワークを用いた強化学習がヤコビ行列対角化を加速することを示す。 本研究は,数値線形代数の性能向上のために,機械学習を有望なツールとして活用する機会を浮き彫りにした。
  論文  参考訳（メタデータ） (2023-06-16T03:31:58Z)
• Fast Differentiable Matrix Square Root and Inverse Square Root [65.67315418971688]
  微分可能な行列平方根と逆平方根を計算するためのより効率的な2つの変種を提案する。 前方伝搬には, Matrix Taylor Polynomial (MTP) を用いる方法と, Matrix Pad'e Approximants (MPA) を使用する方法がある。 一連の数値実験により、両方の手法がSVDやNSの繰り返しと比較してかなりスピードアップすることが示された。
  論文  参考訳（メタデータ） (2022-01-29T10:00:35Z)
• A Deep Generative Model for Matrix Reordering [26.86727566323601]
  グラフの様々な行列の並べ替えの潜在空間を学習する生成モデルを開発する。 学習した潜在空間から直感的なユーザインタフェースを構築し、様々な行列の並べ替えのマップを作成する。 本稿では,グラフの行列再順序生成を機械学習モデルで学習する,グラフの行列可視化に対する基本的新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-11T02:55:24Z)
• Sparse Quadratic Optimisation over the Stiefel Manifold with Application to Permutation Synchronisation [71.27989298860481]
  二次目的関数を最大化するスティーフェル多様体上の行列を求める非最適化問題に対処する。 そこで本研究では,支配的固有空間行列を求めるための,単純かつ効果的なスパーシティプロモーティングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-30T19:17:35Z)
• Learning-Augmented Sketches for Hessians [54.97773807211337]
  第二次手法の文脈でヘッセンの学習スケッチを設計する方法を紹介します。 学習したスケッチは,「学習されていない」スケッチと比較して,重要な問題に対する近似精度が向上することを示す。
  論文  参考訳（メタデータ） (2021-02-24T14:50:59Z)
• Improved Knowledge Distillation via Full Kernel Matrix Transfer [21.533095275253466]
  知識蒸留は深層学習におけるモデル圧縮に有効な方法である。 元の完全行列をNystr"om法で分解する。 完全行列と比較して、部分行列のサイズは例の数で線型である。
  論文  参考訳（メタデータ） (2020-09-30T04:03:09Z)
• Meta-learning with Stochastic Linear Bandits [120.43000970418939]
  我々は、よく知られたOFULアルゴリズムの正規化バージョンを実装するバンディットアルゴリズムのクラスを考える。 我々は,タスク数の増加とタスク分散の分散が小さくなると,タスクを個別に学習する上で,我々の戦略が大きな優位性を持つことを理論的および実験的に示す。
  論文  参考訳（メタデータ） (2020-05-18T08:41:39Z)
• Optimal Iterative Sketching with the Subsampled Randomized Hadamard Transform [64.90148466525754]
  最小二乗問題に対する反復スケッチの性能について検討する。 本研究では、Haar行列とランダム化されたHadamard行列の収束速度が同一であることを示し、ランダムなプロジェクションを経時的に改善することを示した。 これらの手法は、ランダム化次元還元を用いた他のアルゴリズムにも適用することができる。
  論文  参考訳（メタデータ） (2020-02-03T16:17:50Z)

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。