論文の概要: A Robust Optimization Approach to Sparse Principal Component Analysis

• arxiv url: http://arxiv.org/abs/2606.03553v1
• Date: Tue, 02 Jun 2026 12:14:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.988283
• Title: A Robust Optimization Approach to Sparse Principal Component Analysis
• Title（参考訳）: スパース主成分分析におけるロバスト最適化手法
• Authors: David Vävinggren, Francis Bach, André M. H. Teixeira, Dave Zachariah, Antônio H. Ribeiro,
• Abstract要約: 本稿では,頑健な最適化を生かしたAdversarial PCA(AdvPCA)を提案する。 この定式化は閉形式還元を許容し、実用的な反復アルゴリズムをもたらすことを示す。 理論的に解を特徴づけることにより、アルゴリズムがボックス外で効果的に実行できるようにするデータ適応パラメータ化を導出する。
• 参考スコア（独自算出の注目度）: 8.963365635440722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While principal component analysis (PCA) is a fundamental tool for dimensionality reduction, its dense representations make it ill-suited for high-dimensional data. Existing methods address this by promoting sparsity through explicit $\ell_1$-penalties, but these are not obvious to tune due to the unsupervised nature of the task. In contrast, we propose Adversarial PCA (AdvPCA), which leverages robust optimization to achieve sparsity by optimizing the reconstruction objective against bounded, worst-case latent space perturbations. We show that this formulation admits a closed-form reduction, leading to a practical iterative algorithm that alternates between adversarial linear regression-style updates for the sparse encoder and orthogonal updates for the decoder. By theoretically characterizing the solution, we derive a data-adaptive parameterization that allows the algorithm to perform effectively out of the box. We validate these claims through numerical experiments on synthetic and real-world genomics data.
• Abstract（参考訳）: 主成分分析(PCA)は次元減少の基本的なツールであるが、その密度の高い表現は高次元データに不適である。 既存のメソッドは、明示的な$\ell_1$-penaltiesを通じてスパシティを促進することで、この問題に対処する。 これとは対照的に,頑健な最適化を生かしたAdversarial PCA (AdvPCA) を提案する。 この定式化により, スパースエンコーダの逆線形回帰式更新とデコーダの直交型更新を交互に交互に行う, 実用的な反復アルゴリズムが得られた。 理論的に解を特徴づけることにより、アルゴリズムがボックス外で効果的に実行できるようにするデータ適応パラメータ化を導出する。 我々はこれらの主張を,合成および実世界のゲノムデータに関する数値実験により検証する。

関連論文リスト

• Multi-Dimensional Visual Data Recovery: Scale-Aware Tensor Modeling and Accelerated Randomized Computation [51.65236537605077]
  我々は,新しいタイプのネットワーク圧縮最適化手法,完全ランダム化テンソルネットワーク圧縮(FCTN)を提案する。 FCTNは多次元データ処理と解析において顕著な業績を残している。 定式化モデルの解法を保証した効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2026-02-13T14:56:37Z)
• Distributionally Robust Optimization with Adversarial Data Contamination [49.89480853499918]
  凸リプシッツ損失関数を持つ一般化線形モデルに対するワッサーシュタイン-1 DRO 目標の最適化に焦点をあてる。 私たちの主な貢献は、データ汚染のトレーニングに対するロバストネスと分散シフトに対するロバストネスを統合した、新しいモデリングフレームワークです。 この研究は、データ汚染と分散シフトという2つの課題の下で学習するために、効率的な計算によって支援される最初の厳密な保証を確立する。
  論文  参考訳（メタデータ） (2025-07-14T18:34:10Z)
• 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)
• Hidden Convexity of Fair PCA and Fast Solver via Eigenvalue Optimization [1.4999444543328293]
  主成分分析(英: principal Component Analysis、PCA)は、高次元データセットの次元的削減のための機械学習の技法である。 The Fair (FPCA) model was introduced by Samadi et al. to equalize the reconstruction loss between subgroups。 Samadiらによって提案された半有限緩和(SDR)に基づくアプローチは、準最適解に対しても計算コストがかかる。 本稿では,FPCAモデルに隠れた凸性を同定し,固有値最適化による凸最適化アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-01T02:13:20Z)
• Large-Scale OD Matrix Estimation with A Deep Learning Method [70.78575952309023]
  提案手法は,ディープラーニングと数値最適化アルゴリズムを統合し,行列構造を推論し,数値最適化を導出する。 大規模合成データセットを用いて,提案手法の優れた一般化性能を実証するために実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T14:30:06Z)
• Prescriptive PCA: Dimensionality Reduction for Two-stage Stochastic Optimization [1.1612308609123565]
  最適化フェーズにおける準最適度を最小化することを目的とした,規範的次元削減フレームワークを開発した。 下流最適化問題に期待値の目的がある場合、分散ロバスト最適化問題を解くことにより、規範的次元削減が可能であることを示す。 提案手法は, 実データおよび合成データを用いて主成分分析を著しく上回っている。
  論文  参考訳（メタデータ） (2023-06-04T00:50:35Z)
• Contrastive inverse regression for dimension reduction [0.0]
  コントラッシブ・リバース・レグレッション (CIR) と呼ばれる, コントラッシブ・セッティングに特化して設計されたディメンション・リダクション法を提案する。 CIRは、非標準損失関数を持つスティーフェル多様体上で定義される最適化問題を導入する。 勾配勾配勾配に基づくアルゴリズムを用いて,CIRの局所最適収束を証明し,高次元データに対する競合手法よりも優れた性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-05-20T21:44:11Z)
• Outlier-Robust Sparse Estimation via Non-Convex Optimization [73.18654719887205]
  空間的制約が存在する場合の高次元統計量と非破壊的最適化の関連について検討する。 これらの問題に対する新規で簡単な最適化法を開発した。 結論として、効率よくステーションに収束する一階法は、これらのタスクに対して効率的なアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-09-23T17:38:24Z)
• 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)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• Objective-Sensitive Principal Component Analysis for High-Dimensional Inverse Problems [0.0]
  本稿では,大規模乱数場の適応的,微分可能なパラメータ化手法を提案する。 開発した手法は主成分分析(PCA)に基づくが,目的関数の振る舞いを考慮した主成分の純粋にデータ駆動に基づく基礎を変更する。 最適パラメータ分解のための3つのアルゴリズムを2次元合成履歴マッチングの目的に適用した。
  論文  参考訳（メタデータ） (2020-06-02T18:51:17Z)

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。