論文の概要: spca: An R package to Compute Least Squares Sparse Principal Components
- arxiv url: http://arxiv.org/abs/2606.29104v1
- Date: Sat, 27 Jun 2026 22:54:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.789751
- Title: spca: An R package to Compute Least Squares Sparse Principal Components
- Title（参考訳）: spca: Compute Least Squares Sparse principal ComponentsへのRパッケージ
- Abstract要約: 本稿では、スパース主成分分析(LS-SPCA)のための計算フレームワークを提供するRパッケージspcaを紹介する。
LS-SPCAは、説明された分散を効果的に最大化する非相関なスパース主成分(sPC)を生成する。
パッケージには、異なる"spca"ソリューションを比較し、スパースローディングをグループ化し、外国のSPCAソリューションを"spca"オブジェクトとして表現するツールが含まれている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This paper introduces the R package spca, which provides a computational framework for least squares sparse principal component analysis (LS-SPCA). Unlike other SPCA methods, LS-SPCA generates uncorrelated sparse principal components (sPCs) that effectively maximize the explained variance while maintaining strong correlations with standard principal components (PCs). The framework also includes more computationally efficient variants that produce mildly correlated sPCs, which often have lower cardinality while explaining equal or greater variance than the LS-SPCA optimal sPCs. The spca package is built on an efficient C++ backend for matrix computations, with distinct engines for tall and fat matrices, and a flexible R frontend. The user interface offers several options for computing sPCs, such as deciding whether sparsification should stop when a threshold for cumulative variance explained or R2 with the PCs is reached, and choosing between simple forward selection, stepwise forward selection, or backward elimination for variable selection. In addition to the print(), summary(), and plot() methods, the package includes tools for comparing different "spca" solutions, grouping sparse loadings, and representing foreign SPCA solutions as "spca" objects. This article demonstrates with real datasets the use of the package in a typical LS-SPCA workflow and briefly contrasts LS-SPCA with conventional SPCA solutions . Then it compares different LS-SPCA solutions obtained from the dataset. Finally, the performance of spca on large tall and fat matrices is discussed, showing that spca offers a computationally efficient alternative for computing interpretable sPCs.
- Abstract（参考訳）: 本稿では、最小二乗の主成分分析(LS-SPCA)のための計算フレームワークであるRパッケージspcaを紹介する。
他のSPCA法とは異なり、LS-SPCAは非相関なスパース主成分(sPC)を生成し、標準主成分(PC)との強い相関を維持しながら、説明された分散を効果的に最大化する。
このフレームワークには、緩やかに相関したsPCを生成するより計算効率の良い変種が含まれており、LS-SPCAの最適sPCと同等または大きな分散を説明する一方で、しばしば濃度が低い。
spcaパッケージは、行列計算のための効率的なC++バックエンド上に構築されており、高い行列と太った行列のための異なるエンジンと柔軟なRフロントエンドを備えている。
ユーザインタフェースは、累積分散のしきい値がPCに到達したとき、スペーシフィケーションが停止すべきかどうかを判定するなど、sPCを演算するためのいくつかのオプションを提供する。
print()、sumer()、proto()メソッドに加えて、パッケージには異なる"spca"ソリューションの比較、スパースローディングのグループ化、外国のSPCAソリューションを"spca"オブジェクトとして表現するツールが含まれている。
本稿では、典型的なLS-SPCAワークフローにおけるパッケージの使用を実際のデータセットで実証し、LS-SPCAと従来のSPCAソリューションとを簡単に対比する。
次に、データセットから得られた異なるLS-SPCAソリューションを比較する。
最後に,大高さおよび太い行列上でのspcaの性能について考察し,spcaが解釈可能なsPCの計算に有効な代替手段であることを示した。
関連論文リスト
- msPCA: An R Package for Sparse PCA with Multiple Components [2.0052993723676895]
msPCAは、複数のコンポーネントによるスパースプリンシパルコンポーネント分析のためのオープンソースパッケージである。
これはスパースローディングベクターのセットを生成し、データセット内の大きな分散を総括的に説明し、非冗長なままである。
論文 参考訳（メタデータ） (2026-07-06T15:42:00Z) - A Decomposition Framework for Certifiably Optimal Orthogonal Sparse PCA [1.8252316736244685]
我々はtextscGS-SPCA (SPCA with Gram-Schmidt Orthogonalization) と呼ばれる新しいスパース主成分分析アルゴリズムを導入する。
この戦略を取り入れることで、精度と効率のトレードオフのある$varepsilon$-Optimalソリューションを得ることができる。
論文 参考訳（メタデータ） (2026-03-01T15:09:37Z) - RPCANet++: Deep Interpretable Robust PCA for Sparse Object Segmentation [51.37553739930992]
RPCANet++は、RPCAの解釈可能性と効率的なディープアーキテクチャを融合したスパースオブジェクトセグメンテーションフレームワークである。
我々のアプローチは、緩やかなRPCAモデルを背景近似モジュール(BAM)、対象抽出モジュール(OEM)、画像復元モジュール(IRM)からなる構造化ネットワークに展開する。
さまざまなデータセットの実験では、RPCANet++がさまざまなイメージングシナリオの下で最先端のパフォーマンスを達成することが示されている。
論文 参考訳（メタデータ） (2025-08-06T08:19:37Z) - Sliding Window Informative Canonical Correlation Analysis [0.0]
カノニカル相関解析(Canonical correlation analysis, CCA)は、2つのデータセット間の相関した特徴集合を見つける手法である。
Sliding Window Informative Canonical correlation Analysis (SWICCA) によるオンラインストリーミングデータ設定へのCCAの新たな拡張を提案する。
論文 参考訳（メタデータ） (2025-07-23T20:35:15Z) - Incorporating Arbitrary Matrix Group Equivariance into KANs [69.30866522377694]
Kolmogorov-Arnold Networks (KAN) は科学分野で大きな成功を収めている。
本研究では,Equivariant Kolmogorov-Arnold Networks (EKAN)を提案する。
論文 参考訳（メタデータ） (2024-10-01T06:34:58Z) - Fast Sparse PCA via Positive Semidefinite Projection for Unsupervised
Feature Selection [17.631455813775705]
凸SPCAの解が正半定円錐(PSD)に落ちることが証明されている。
提案した問題を解くために,2段階の高速射影を提案する。
論文 参考訳（メタデータ） (2023-09-12T13:10:06Z) - Pointerformer: Deep Reinforced Multi-Pointer Transformer for the
Traveling Salesman Problem [67.32731657297377]
トラベリングセールスマン問題(TSP)は、もともと輸送と物流の領域で発生した古典的な経路最適化問題である。
近年, 深層強化学習は高い推論効率のため, TSP の解法として採用されている。
本稿では,多点変換器をベースとした新しいエンドツーエンドDRL手法であるPointerformerを提案する。
論文 参考訳（メタデータ） (2023-04-19T03:48:32Z) - Efficient Adversarial Contrastive Learning via Robustness-Aware Coreset
Selection [59.77647907277523]
敵対的コントラスト学習(ACL)は、高価なデータアノテーションを必要としないが、敵対的攻撃に耐える堅牢な表現を出力する。
ACLは、すべてのトレーニングデータの逆の変種を生成するのに、膨大な実行時間が必要です。
本稿では,ACLの高速化を目的としたロバストネス対応コアセット選択(RCS)手法を提案する。
論文 参考訳（メタデータ） (2023-02-08T03:20:14Z) - COPS: Controlled Pruning Before Training Starts [68.8204255655161]
最先端のディープニューラルネットワーク(DNN)プルーニング技術は、トレーニング開始前にワンショットで適用され、プルーニングスコアと呼ばれる単一の基準の助けを借りてスパースアーキテクチャを評価する。
この作業では、単一プルーニング基準に集中するのではなく、任意のGASを組み合わせてより強力なプルーニング戦略を構築するためのフレームワークを提供します。
論文 参考訳（メタデータ） (2021-07-27T08:48:01Z) - Feature Grouping and Sparse Principal Component Analysis [23.657672812296518]
Grouping and Sparse principal Analysis (SPCA) はデータ処理次元の削減に広く利用されている。
FGSPCAは、荷重が不均一な同種群に属することを許容し、空間性は特別な場合である。
論文 参考訳（メタデータ） (2021-06-25T15:08:39Z) - Spike and slab Bayesian sparse principal component analysis [0.6599344783327054]
本稿では,パラメータ拡張座標の漸近変動推論(PX-CAVI)アルゴリズムを提案する。
PX-CAVIアルゴリズムは2つのSPCA手法より優れていることを示す。
このアルゴリズムは肺がん遺伝子発現データセットの研究に応用される。
論文 参考訳（メタデータ） (2021-01-30T20:28:30Z) - Repulsive Mixture Models of Exponential Family PCA for Clustering [127.90219303669006]
指数関数型家族主成分分析(EPCA)の混合拡張は、従来のEPCAよりもデータ分布に関する構造情報を符号化するように設計された。
従来のEPCAの混合は、モデルの冗長性、すなわち混合成分間の重なりが問題であり、データクラスタリングの曖昧さを引き起こす可能性がある。
本稿では, 混合成分間での反発性増感前処理を導入し, ベイズ式に分散EPCA混合(DEPCAM)モデルを開発した。
論文 参考訳（メタデータ） (2020-04-07T04:07:29Z)
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。