論文の概要: Latent Structural Categorical Matrix Completion with Application to Quasispecies Analysis

• arxiv url: http://arxiv.org/abs/2606.08188v1
• Date: Sat, 06 Jun 2026 14:19:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.899115
• Title: Latent Structural Categorical Matrix Completion with Application to Quasispecies Analysis
• Title（参考訳）: 後期構造分類行列の完全化と準種解析への応用
• Authors: Qian Zhang, Meixia Lin,
• Abstract要約: 行列補完は実数値データに対して広く研究されてきたが、既存の手法は分類変数を扱う場合に限られることが多い。 潜在因数分解による分類行列補完のための二重ループ最適化フレームワークLCMCを提案する。 ウイルスの準種再構成における合成および実世界のデータセットの実験は、LCMCが既存の方法よりも精度と効率が優れていることを実証している。
• 参考スコア（独自算出の注目度）: 3.2807574173968774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Matrix completion has been extensively studied for real-valued data, but existing methods are often limited in handling categorical variables. We propose LCMC, a double-loop optimization framework for categorical matrix completion via latent factorization based on a binary tensor representation. In this setting, each categorical entry is encoded as a one-hot vector along a third tensor mode, thereby preserving its discrete, non-ordinal nature. The outer loop adaptively estimates the latent dimension by iteratively updating it with feedback from the inner loop, while the inner loop reconstructs the categorical matrix through tensor factorization, supported by a corresponding theoretical analysis. To further improve scalability and robustness, we introduce enhancements including a split-merge-refine strategy and an adaptive data reduction technique. Experiments on synthetic and real-world datasets in viral quasispecies reconstruction, demonstrate that LCMC achieves superior accuracy and efficiency compared to existing methods.
• Abstract（参考訳）: 行列補完は実数値データに対して広く研究されてきたが、既存の手法は分類変数を扱う場合に限られることが多い。 本稿では,2進テンソル表現に基づく潜在因数分解による分類行列補完のための2ループ最適化フレームワークLCMCを提案する。 この設定では、各カテゴリのエントリは第3テンソルモードに沿って1ホットベクトルとして符号化され、したがってその離散非順序性を保存する。 外ループは内ループからのフィードバックで反復的に更新することで潜伏次元を適応的に推定し、内ループは対応する理論的解析によって支持されるテンソル因子化によってカテゴリー行列を再構成する。 スケーラビリティとロバスト性をさらに向上するため,分割マージ・リファイン戦略と適応型データリダクション技術を含む拡張を導入する。 ウイルスの準種再構成における合成および実世界のデータセットの実験は、LCMCが既存の方法よりも精度と効率が優れていることを実証している。

関連論文リスト

• Neural Structure Embedding for Symbolic Regression via Continuous Structure Search and Coefficient Optimization [8.496933324334167]
  SRCOはシンボリックレグレッションのための統合埋め込み駆動フレームワークである。 記号構造を連続で最適化可能な表現空間に変換する。 合成および実世界のデータセットの実験により、我々の手法は方程式の正確性、堅牢性、探索効率において最先端の手法を一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2026-03-23T18:04:03Z)
• Generalized Nonnegative Structured Kruskal Tensor Regression [22.300007523556022]
  一般化非負構造クルスカル回帰(NS-KTR)は、新しいテンソル回帰フレームワークである。 モード固有のハイブリッド正規化と非負性制約による解釈性と性能を向上させる。
  論文  参考訳（メタデータ） (2025-09-24T08:51:38Z)
• Regularized Projection Matrix Approximation with Applications to Community Detection [1.3761665705201904]
  本稿では,アフィニティ行列からクラスタ情報を復元するための正規化プロジェクション行列近似フレームワークを提案する。 3つの異なるペナルティ関数について検討し, それぞれが有界, 正, スパースシナリオに対応するように調整した。 合成および実世界の両方のデータセットで行った数値実験により、我々の正規化射影行列近似アプローチはクラスタリング性能において最先端の手法を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-05-26T15:18:22Z)
• Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
  本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。 本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
  論文  参考訳（メタデータ） (2024-02-14T16:10:42Z)
• 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)
• Piecewise linear regression and classification [0.20305676256390928]
  本稿では,線形予測器を用いた多変量回帰と分類問題の解法を提案する。 本論文で記述されたアルゴリズムのpython実装は、http://cse.lab.imtlucca.it/bemporad/parcで利用可能である。
  論文  参考訳（メタデータ） (2021-03-10T17:07:57Z)
• A Scalable, Adaptive and Sound Nonconvex Regularizer for Low-rank Matrix Completion [60.52730146391456]
  そこで我々は,適応的かつ音質の高い"核フロベニウスノルム"と呼ばれる新しい非スケーラブルな低ランク正規化器を提案する。 特異値の計算をバイパスし、アルゴリズムによる高速な最適化を可能にする。 既存の行列学習手法では最速でありながら、最先端の回復性能が得られる。
  論文  参考訳（メタデータ） (2020-08-14T18:47:58Z)
• Understanding Implicit Regularization in Over-Parameterized Single Index Model [55.41685740015095]
  我々は高次元単一インデックスモデルのための正規化自由アルゴリズムを設計する。 暗黙正則化現象の理論的保証を提供する。
  論文  参考訳（メタデータ） (2020-07-16T13:27:47Z)

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。