論文の概要: Anchor PCA

• arxiv url: http://arxiv.org/abs/2606.06233v1
• Date: Thu, 04 Jun 2026 14:39:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.861645
• Title: Anchor PCA
• Title（参考訳）: アンカーPCA
• Authors: Benedikt Seiter, Anya Fries, Julius von Kügelgen, Jonas Peters,
• Abstract要約: 主成分分析(PCA)は、最も広く使われている非教師なし次元低減技術の一つである。 Anchor PCAは、共有とドメイン固有の低ランク埋め込みの一致と、全体として説明されるばらつきを交換する。 時間的ドリフトを伴うシミュレーションおよび実世界のガスセンサデータについて、アンカーPCAが最大不変部分空間を復元し、未知の領域におけるより分散を説明する埋め込みを生成することを示した。
• 参考スコア（独自算出の注目度）: 11.58762644470419
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Principal component analysis (PCA) is one of the most widely used unsupervised dimension reduction techniques. We study PCA for data from multiple related domains. Since principal components generally differ across domains, one way to obtain a shared low-rank embedding is to perform PCA on the pooled data. However, this approach can focus on spurious directions that exhibit high variation in only a few domains. To find a robust embedding that still explains most variance in unseen but similar domains, we propose instead to focus on shared directions of variation. To this end, we introduce Anchor PCA which trades off overall explained variance with agreement between the shared and domain-specific low-rank embeddings. Anchor PCA amounts to PCA on a modified target matrix and thus can be solved efficiently. Moreover, we show that Anchor PCA recovers a maximal invariant subspace and admits a minimax reconstruction interpretation under bounded domain-specific covariance inflations. On simulated and real-world gas sensor data with temporal drift, we demonstrate, respectively, that Anchor PCA recovers the maximally invariant subspace and yields embeddings that explain more variance on unseen domains than the pooling baseline and a worst-case alternative. Taken together, these findings establish Anchor PCA as a promising approach to robust unsupervised dimension reduction from multi-domain data.
• Abstract（参考訳）: 主成分分析(PCA)は、最も広く使われている非教師なし次元低減技術の一つである。 複数の関連ドメインからのデータに対するPCAについて検討する。 主成分は一般にドメインによって異なるため、共有低ランク埋め込みを得る一つの方法は、プールデータ上でPCAを実行することである。 しかし、このアプローチは、少数の領域で高いばらつきを示す刺激的な方向に焦点を合わせることができる。 目に見えないが類似した領域におけるほとんどのばらつきを説明する頑健な埋め込みを見つけるために、我々は、変化の共有方向に焦点を当てることを提案する。 この目的のために、Anchor PCAを導入する。これは、共有とドメイン固有の低ランク埋め込みの一致と、全体として説明された分散をトレードオフする。 アンカーPCAは、修正対象行列上のPCAに相当するので、効率よく解ける。 さらに、Anchor PCAは最大不変部分空間を復元し、境界領域固有の共分散インフレーションの下でミニマックス再構成解釈を許容することを示した。 時間的ドリフトを伴うシミュレーションおよび実世界のガスセンサデータにおいて,アンカーPCAが最大不変部分空間を復元し,プールベースラインや最悪の場合よりも目に見えない領域の分散を説明できる埋め込みを生成することを示した。 これらの知見を合わせて、アンカーPCAはマルチドメインデータからのロバストな非教師なし次元の削減への有望なアプローチとして確立した。

関連論文リスト

• Curvature-Aware PCA with Geodesic Tangent Space Aggregation for Semi-Supervised Learning [52.452902154360565]
  GTSA-PCAは主成分分析の幾何学的拡張である。 曲率認識と測地的整合性を統合されたスペクトルフレームワークに統合する。 以上の結果から,GTSA-PCAは次元減少に対する統計的および幾何学的アプローチの原則的ブリッジとして位置づけられた。
  論文  参考訳（メタデータ） (2026-04-20T20:36:36Z)
• The $φ$-PCA Framework: A Unified and Efficiency-Preserving Approach with Robust Variants [0.0]
  我々は、ロバストで分散したPCAの統一的な定式化を提供する$phi$-PCAフレームワークを紹介した。 我々は,$phi$-PCAの根底にある分割集約原理が,ロバストで効率的な保存手法を開発するための一般的な戦略であることを示す。
  論文  参考訳（メタデータ） (2025-10-15T05:21:11Z)
• Fair PCA, One Component at a Time [2.5056643038238504]
  Min-Max Fair PCA問題では、グループ間で可能な限りバランスの取れたマルチグループデータの低ランクな表現を求める。 この問題に対する既存のアプローチはランク-d$フェア部分空間を返すが、標準PCAの基本的な包含性は欠如している。 フェアプライマリコンポーネントを,グループ単位の最大再構成誤差を最小限に抑える方向として定義する。 このアプローチは、標準PCAの格納特性を保ち、単一のグループを持つデータに対する標準pcaに還元する。
  論文  参考訳（メタデータ） (2025-03-27T14:47:27Z)
• Exploiting Aggregation and Segregation of Representations for Domain Adaptive Human Pose Estimation [50.31351006532924]
  人間のポーズ推定(HPE)は最近、モーション分析、バーチャルリアリティー、ヘルスケア等に広く応用されているため、注目を集めている。 時間と労働集約的なアノテーションのために、ラベル付き現実世界のデータセットが不足している。 本稿では,ドメイン適応型人間のポーズ推定のための表現集約と分離を両立させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-29T17:59:45Z)
• Sparse PCA with Oracle Property [115.72363972222622]
  新規な正規化を伴うスパースPCAの半定緩和に基づく推定器群を提案する。 我々は、家族内の別の推定器が、スパースPCAの標準半定緩和よりも、より急激な収束率を達成することを証明した。
  論文  参考訳（メタデータ） (2023-12-28T02:52:54Z)
• Empirical Bayes Covariance Decomposition, and a solution to the Multiple Tuning Problem in Sparse PCA [2.5382095320488673]
  スパース主成分分析(PCA)は,PCAの解釈可能性と信頼性を両立させる手法として提案されている。 経験ベイズ法による「複数チューニング問題」の解法を提案する。
  論文  参考訳（メタデータ） (2023-12-06T04:00:42Z)
• Off-Policy Evaluation for Large Action Spaces via Policy Convolution [60.6953713877886]
  ポリシ・コンボリューション(Policy Convolution)のファミリーは、アクション内の潜在構造を使用して、ログとターゲットポリシを戦略的に畳み込みます。 合成およびベンチマークデータセットの実験では、PCを使用する場合の平均二乗誤差(MSE)が顕著に改善されている。
  論文  参考訳（メタデータ） (2023-10-24T01:00:01Z)
• Learning Feature Decomposition for Domain Adaptive Monocular Depth Estimation [51.15061013818216]
  改良されたアプローチは、深層学習の進歩で大きな成功をもたらしたが、それらは大量の地底深度アノテーションに依存している。 教師なしドメイン適応(UDA)は、教師付き学習の制約を緩和するため、ラベル付きソースデータからラベルなしターゲットデータに知識を転送する。 本稿では,その特徴空間をコンテンツやスタイルコンポーネントに分解することを学ぶための,学習特徴分解 for Adaptation (LFDA) と呼ばれる新しいMDEのためのUDA手法を提案する。
  論文  参考訳（メタデータ） (2022-07-30T08:05:35Z)
• Sparse PCA on fixed-rank matrices [0.05076419064097732]
  共分散行列のランクが固定値であれば、大域的最適性に対してスパースPCAを解くアルゴリズムが存在することを示す。 また,主成分の非結合性を必要とするスパースPCAについても同様の結果が得られた。
  論文  参考訳（メタデータ） (2022-01-07T15:05:32Z)
• FAST-PCA: A Fast and Exact Algorithm for Distributed Principal Component Analysis [12.91948651812873]
  主成分分析(PCA)は、機械学習の世界における基本的なデータ前処理ツールである。 本稿では,FAST-PCA (Fast and exact distributed PCA) と呼ばれる分散PCAアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-27T16:10:59Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)

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。