Fugu-MT 論文翻訳(概要): msPCA: An R Package for Sparse PCA with Multiple Components

論文の概要: msPCA: An R Package for Sparse PCA with Multiple Components

arxiv url: http://arxiv.org/abs/2607.05229v1
Date: Mon, 06 Jul 2026 15:42:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:30.226811
Title: msPCA: An R Package for Sparse PCA with Multiple Components
Title（参考訳）: msPCA: 複数のコンポーネントを持つスパースPCA用Rパッケージ
Authors: Ryan Cory-Wright, Jean Pauphilet,
Abstract要約: 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。
参考スコア（独自算出の注目度）: 2.0052993723676895
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present msPCA: an open-source R package for sparse principal component analysis with multiple components. It implements an alternating maximization algorithm to generate a set of sparse loading vectors that collectively explain a large fraction of the variance in a dataset, while remaining non-redundant. The algorithm supports two definitions of non-redundancy: either orthogonality of the loading vectors or zero pairwise correlation between principal components (PCs). In the reported benchmarks, msPCA solves sparse PCA problems with thousands of features, achieving competitive runtimes while producing sparse components with controlled feasibility violations and a high fraction of variance explained.
Abstract（参考訳）: 複数のコンポーネントによるスパース主成分分析のためのオープンソースRパッケージmsPCAを提案する。交互に最大化アルゴリズムを実装し、スパースローディングベクターのセットを生成し、データセットのばらつきの大部分を包括的に説明し、非冗長性を維持している。このアルゴリズムは、ロードベクトルの直交性または主成分(PC)間の対相関のゼロの2つの非冗長性の定義をサポートする。報告されたベンチマークでは、msPCAは何千もの機能を持つスパースPCA問題を解決し、制御可能な可視性違反と高い分散率でスパースコンポーネントを生成しながら、競合するランタイムを実現している。

関連論文リスト

Sparse PCA With Multiple Components [2.1485350418225244]
スパース主成分分析(SPCA)は、高次元データセットの分散を解釈可能な方法で説明する特徴の組み合わせを得る技術である。既存のPCA手法の多くは、複数のスパースPCを求めるときの最適性だけでなく、結果の最適性も保証していない。本稿では,実世界のデータセットに対して,0%-15%の精度で解を得るための厳密な手法と丸め機構を提案する。
論文参考訳（メタデータ） (2022-09-29T13:57:18Z)
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)
CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。 CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
論文参考訳（メタデータ） (2021-10-26T20:14:30Z)
Shared Independent Component Analysis for Multi-Subject Neuroimaging [107.29179765643042]
本稿では,ShICA (Shared Independent Component Analysis) を導入し,各ビューを加法ガウス雑音によって汚染された共有独立成分の線形変換としてモデル化する。このモデルは、成分がガウス的でないか、あるいはノイズ分散に十分な多様性がある場合、同定可能であることを示す。我々は,fMRIおよびMEGデータセットの実証的証拠として,ShICAが代替品よりも正確な成分推定を行うことを示す。
論文参考訳（メタデータ） (2021-10-26T08:54:41Z)
Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文参考訳（メタデータ） (2021-06-14T05:39:09Z)
Enhanced Principal Component Analysis under A Collaborative-Robust Framework [89.28334359066258]
重み学習とロバストな損失を非自明な方法で組み合わせる,一般的な協調ロバスト重み学習フレームワークを提案する。提案されたフレームワークでは、トレーニング中の重要度を示す適切なサンプルの一部のみがアクティブになり、エラーが大きい他のサンプルは無視されません。特に、不活性化試料の負の効果はロバスト損失関数によって軽減される。
論文参考訳（メタデータ） (2021-03-22T15:17:37Z)
A New Basis for Sparse Principal Component Analysis [5.258928416164104]
以前のスパース主成分分析では、固有基底 ($p 倍 k$ 行列) がほぼスパースであると仮定されていた。我々は、$p × k$ 行列が、$k × k$ 回転の後にほぼスパースとなると仮定する手法を提案する。同レベルの疎度では,提案したスパースPCA法の方が安定であり,代替手法よりも分散を説明できることを示す。
論文参考訳（メタデータ） (2020-07-01T16:32:22Z)
Approximation Algorithms for Sparse Principal Component Analysis [57.5357874512594]
主成分分析(PCA)は、機械学習と統計学において広く使われている次元削減手法である。スパース主成分分析(Sparse principal Component Analysis)と呼ばれる,スパース主成分負荷を求める様々な手法が提案されている。本研究では,SPCA問題に対するしきい値の精度,時間,近似アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-06-23T04:25:36Z)
Robustly Learning any Clusterable Mixture of Gaussians [55.41573600814391]
本研究では,高次元ガウス混合系の対向ロバスト条件下での効率的な学習性について検討する。理論的に最適に近い誤り証明である$tildeO(epsilon)$の情報を、$epsilon$-corrupted $k$-mixtureで学習するアルゴリズムを提供する。我々の主な技術的貢献は、ガウス混合系からの新しい頑健な識別可能性証明クラスターであり、これは正方形の定度証明システムによって捉えることができる。
論文参考訳（メタデータ） (2020-05-13T16:44:12Z)

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。