論文の概要: Mixtures of spatial factor analyzers for tensor-variate data

• arxiv url: http://arxiv.org/abs/2607.07887v1
• Date: Wed, 08 Jul 2026 19:49:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.331339
• Title: Mixtures of spatial factor analyzers for tensor-variate data
• Title（参考訳）: テンソル変量データのための空間因子分析器の混合
• Abstract要約: 高次元データをクラスタリングする際の課題に対処するために、空間因子分析器(MSFA)の混合を導入している。 提案フレームワークは, フレキシブルなスプライン型崩壊共分散構造を取り入れ, 次元が増大するにつれてパラメータのインフレーションを防止する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A mixture of spatial factor analyzers (MSFA) is introduced to address the challenges of clustering high-dimensional spatial data. By leveraging the underlying coordinate system, the proposed framework incorporates a flexible, spline-based spatial decay covariance structure that prevents parameter inflation as dimensionality increases. To model non-spatial dependence, matrix variate factor analyzers are employed for further dimensionality reduction. Parameter estimation is conducted via a variant of the expectation-maximization algorithm combined with a generalized least squares estimator. The proposed models are explored in the context of tensor-variate data analysis, where simulation studies and applications to Raman spectroscopy and hyperspectral texture databases demonstrate their capacity to accurately infer and differentiate distinct spatial patterns.
• Abstract（参考訳）: 高次元空間データをクラスタリングする際の課題に対処するために、空間因子分析器(MSFA)の混合を導入している。 基礎となる座標系を利用することで、次元が増加するにつれてパラメータのインフレーションを防止し、フレキシブルでスプラインベースの空間減衰共分散構造を組み込む。 非空間依存をモデル化するために、行列変数因子解析器がさらに次元の減少に使用される。 パラメータ推定は、予想最大化アルゴリズムの変種と一般化最小二乗推定器を組み合わせることによって行われる。 提案したモデルはテンソル変量解析の文脈で探索され、ラマン分光法やハイパースペクトルテクスチャデータベースへのシミュレーション研究と応用により、空間パターンを正確に推測し、区別する能力を示す。

関連論文リスト

• A Mean Curvature Approach to Boundary Detection: Geometric Insights for Unsupervised Learning [52.452902154360565]
  本稿では,幾何学的機械学習に基づく新しい幾何学的フレームワークであるMean Curvature Boundary Points (MCBP)を紹介する。 MCBPはデータ多様体の固有曲率を明示的にモデル化し、原理化された多様体のパラメトリゼーションを必要としない点平均曲率を計算する。 合成および実世界のデータセットの実験により、MCBPはクラスタリング性能を一貫して改善することを示した。
  論文  参考訳（メタデータ） (2026-05-05T20:19:09Z)
• Diffusion Model for Manifold Data: Score Decomposition, Curvature, and Statistical Complexity [93.52679474816728]
  拡散モデルは、生成モデリングにおける主要なフレームワークとなっている。 本稿では,拡散モデルが構造データをどのように学習するかを,統計的複雑性とデータ幾何学的性質の影響の2つの重要な側面に焦点をあてる。 また、スコア関数の構造と多様体曲率の相互作用も強調する。
  論文  参考訳（メタデータ） (2026-03-21T04:40:19Z)
• Generative Modeling of Discrete Data Using Geometric Latent Subspaces [3.7015295923035705]
  分類分布の積多様体の指数パラメータ空間における潜在部分空間の利用を紹介する。 低次元の潜在空間は統計的依存関係を符号化し、変数間の冗長な自由度を除去する。 その結果, 潜在次元の減少は, 生成モデルのためのデータを表現するのに十分であることがわかった。
  論文  参考訳（メタデータ） (2026-01-29T15:14:15Z)
• Spatial Covariance Constraints for Gaussian Mixture Models [0.0]
  本研究では,各成分に4つの自由パラメータしか必要としないガウス混合モデルの空間的共分散制約を導入する。 座標系を用いて、空間制約付きガウス混合モデルにより、多方向空間データのクラスタリングと空間パターンの推論が可能となる。
  論文  参考訳（メタデータ） (2026-01-12T20:21:22Z)
• Statistical Inference for Manifold Similarity and Alignability across Noisy High-Dimensional Datasets [8.99915297419989]
  低次元多様体構造に支持された分布間の類似性とアライメントの統計的推測のための原理的枠組みを提案する。 提案手法は,既存手法と比較して,強靭性と統計力に優れることを示す。
  論文  参考訳（メタデータ） (2025-11-26T05:31:35Z)
• Efficient Covariance Estimation for Sparsified Functional Data [51.69796254617083]
  共分散関数のランダムノット(ランダムノット-空間)とB-スプライン(Bspline-Spatial)推定器は計算的に効率的である。 共分散の漸近的なポイントワイドは、ある規則性条件下でのスパース化された個々の軌跡に対して得られる。
  論文  参考訳（メタデータ） (2025-11-23T00:50:33Z)
• Analysis of Diffusion Models for Manifold Data [8.539326630369592]
  生成拡散モデルの時間逆ダイナミクスを解析する。 我々の分析で使われる重要なツールは、一般化線形モデルの相互情報(あるいは自由エネルギー)の正確な公式である。
  論文  参考訳（メタデータ） (2025-02-01T08:14:35Z)
• A class of modular and flexible covariate-based covariance functions for nonstationary spatial modeling [0.0]
  固定された観測可能な空間情報に依存する共分散関数のクラスを示す。 このモデルは、辺標準偏差、幾何学的異方性、滑らかさなど、異なる非定常性源に対する別々の構造を可能にする。 シミュレーション研究を通じて提示されたモデルの性能解析とスイスの降水データへの適用について述べる。
  論文  参考訳（メタデータ） (2024-10-22T05:53:25Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
  [1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。 我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。 また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
  論文  参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。