論文の概要: Variance-Preserving Orthogonal Selection (VPOS): Greedy Feature Selection via Orthogonal Deflation in PCA Loading Space
- arxiv url: http://arxiv.org/abs/2607.23198v1
- Date: Sat, 25 Jul 2026 13:26:48 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-28 22:34:15.027257
- Title: Variance-Preserving Orthogonal Selection (VPOS): Greedy Feature Selection via Orthogonal Deflation in PCA Loading Space
- Title（参考訳）: 可変保存直交選択(VPOS):PCA負荷空間における直交デフレによるグレディ特徴選択
- Abstract要約: 教師なし特徴選択のための欲求フレームワークを提案する。
選択後、VPOSはnull空間デフレを通じて選択した機能の分散方向を投影する。
8つのベンチマークで、VPOSはグラフベースの方法よりも10-140倍高速に動作しながら、8つのベンチマークで最も低いリコンストラクションMSEを達成する。
- 参考スコア（独自算出の注目度）: 0.42970700836450487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose Variance-Preserving Orthogonal Selection (VPOS), a greedy framework for unsupervised feature selection that operates in the weighted PCA loading space. After each selection, VPOS projects out the chosen feature's variance direction via null-space deflation, forcing subsequent selections to cover orthogonal parts of the covariance structure. Each step provably reduces the loading matrix rank by one, and the greedy objective connects to monotone submodular maximization. The single hyperparameter $d$ is selected via a reproducible rule: the value minimising reconstruction MSE in a sensitivity sweep. On eight benchmarks, VPOS achieves the lowest reconstruction MSE on all eight while running 10-140x faster than graph-based methods at scale. Comparing against PCA (no deflation) at matched $d$ confirms deflation as the primary driver, reducing MSE by 10-73%.
- Abstract（参考訳）: 重み付きPCA負荷空間で動作する教師なし特徴選択のための欲求フレームワークである可変保存直交選択(VPOS)を提案する。
それぞれの選択の後、VPOSは選択した特徴の分散方向をヌル空間デフレによって投影し、その後の選択は共分散構造の直交部分をカバーするように強制する。
各ステップは、負荷行列ランクを1つ減らし、欲求目的はモノトン部分モジュラー最大化に接続する。
単一のハイパーパラメータ$d$は再現可能なルールによって選択される。
8つのベンチマークで、VPOSはグラフベースの方法よりも10-140倍高速に動作しながら、8つのベンチマークで最も低いリコンストラクションMSEを達成する。
PCA(デフレなし)と比較すると、$d$はデフレをメインドライバーとして確認し、MSEを10-73%削減する。
関連論文リスト
- Diagonal Attenuation: A Finite-Sample Correction for PCA [4.568037304404448]
主成分分析は、限られたデータから共分散行列が推定されるとき、その集団目標から遠ざかることができる。
対角線減衰は, 試料の相互共分散を保ちながら, 座標的に試料の分散を減少させる。
局所的な画像パッチ、音声スペクトル、およびスマートフォンの加速度によって、マスク由来および直接減衰は2つの適合サンプル予算の下でPCAを改善する。
論文 参考訳（メタデータ） (2026-09-05T01:16:07Z) - Denoised Variance-Based Pruning with Optimal Brain Bias Compensation [45.88028371034407]
VBP(Variance-Based Pruning)は、ニューロンを活性化分散に基づいて選択することで有望なパラダイムを導入した。
Denoized Variance-based Pruning with Optimal Brain Bias Compensation (DVBP + OB$2$C)を紹介する。
最先端のトレーニングフリーのパフォーマンスを実現し、50%のプルーニングで、オリジナルのTop-1の精度の90%以上を維持できる。
論文 参考訳（メタデータ） (2026-08-18T11:23:49Z) - Shape Operator PCA: Curvature-Aware Projections for Geometric Machine Learning [52.452902154360565]
SHOPCA (Shape Operator-based principal Component Analysis) は、教師なしメトリック学習と次元減少のための新しい手法である。
我々は、50以上の実世界のベンチマークデータセット上でSHOPCAを評価する。
論文 参考訳（メタデータ） (2026-08-15T16:37:47Z) - Spectral DPPs via NEPv: A Scalable Continuous Relaxation of Determinantal MAP for Diversity-Aware Data Selection [6.555429729518591]
大量の候補から小さな、多様性のある、高品質なサブセットを選択することは、現代の機械学習において、繰り返されるプリミティブである。
本稿では、緩和、解法、スケーリング分析に焦点をあて、完全な実データベンチマークを計画的な実証研究に残す。
論文 参考訳（メタデータ） (2026-06-17T15:40:25Z) - $ξ$-DPO: Direct Preference Optimization via Ratio Reward Margin [16.49252561546099]
我々は、SimPOにおけるマージンの定式化は、異なる報酬ギャップ構造を持つデータセット間で容易に解釈できないと論じる。
提案する$-DPO: 比報酬マージンによる直接選好最適化。
論文 参考訳（メタデータ） (2026-05-09T03:48:16Z) - Multinoulli Extension: A Lossless Continuous Relaxation for Partition-Constrained Subset Selection [60.07018090570548]
我々はパラメータフリーで、歪んだ局所探索法と同じ近似保証を実現できるMultinoulliSCGという新しいアルゴリズムを導入する。
また、分割制約に関する未探索オンラインサブセット選択問題に対して、Multinoulli-CGとMultinoulli-GAGAという2つの新しいオンラインアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-03-23T02:30:01Z) - See Less, Drive Better: Generalizable End-to-End Autonomous Driving via Foundation Models Stochastic Patch Selection [51.59559387222532]
エンドツーエンド自動運転の最近の進歩は、パッチアライメント機能で訓練されたポリシーが、アウト・オブ・ディストリビューション(OOD)よりも一般化していることを示している。
我々は、より堅牢で、一般化可能で、効率的な学習ポリシーのためのシンプルで効果的なアプローチである2.4-Patch-Selection(SPS)を提案する。
論文 参考訳（メタデータ） (2026-01-15T18:58:33Z) - Multivariate Variational Autoencoder [0.08460698440162889]
斜め後部制限を持ち上げながらガウス的トラクタビリティを保ったVAE変異体を提案する。
MVAEは後続の共分散を分解し、そこでは共役結合行列$mathbfC$がデータセット全体の潜在相関を誘導する。
公正な比較と再利用を容易にするために、トレーニング/評価スクリプトとスイープユーティリティを備えた、完全に再現可能な実装をリリースする。
論文 参考訳（メタデータ） (2025-11-08T16:52:53Z) - FedSVD: Adaptive Orthogonalization for Private Federated Learning with LoRA [68.44043212834204]
Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
Low-Rank Adaptation (LoRA) は、学習における言語モデルの効率的な微調整に広く用いられている。
論文 参考訳（メタデータ） (2025-05-19T07:32:56Z) - A Scalable Gradient-Based Optimization Framework for Sparse Minimum-Variance Portfolio Selection [2.6161531190988425]
ポートフォリオ最適化では、リスク・リワードの目標を最小化するために資産重みを選択する。
標準的アプローチは、この問題を混合整数二次プログラムとしてモデル化する。
本稿では,スパース選択問題を制約付き連続最適化タスクに変換する,高速でスケーラブルなアプローチを提案する。
論文 参考訳（メタデータ） (2025-05-15T09:01:07Z) - MASS: MoErging through Adaptive Subspace Selection [55.03293736484465]
モデルマージの新しいアプローチであるMASS(MoErging through Adaptive Subspace Selection)を提案する。
MASSはタスクごとに最も健全な特異なコンポーネントのみを格納し、それらを共有モデルにマージする。
我々は,8,14,20タスクのベンチマークに対して,ViT-B-16,ViT-B-32,ViT-L-14を用いて,CLIPに基づく画像分類のMASSを評価する。
論文 参考訳（メタデータ） (2025-04-06T08:49:52Z) - Robust Subset Selection by Greedy and Evolutionary Pareto Optimization [23.0838604893412]
サブセット選択は、ある目的関数を最大化するために、グラウンドセットからサブセットを選択することを目的としている。
グリーディアルゴリズムは1-e-betagamma$の近似比を得ることができ、$beta$と$gamma$は対象関数の相関と部分モジュラリティ比である。
論文 参考訳（メタデータ） (2022-05-03T11:00:54Z) - Adaptive Private-K-Selection with Adaptive K and Application to
Multi-label PATE [19.344510696808282]
我々は、差分的にプライベートなトップ$k$選択のためのエンドツーエンドのRenyi DPベースのフレームワークを提供する。
提案手法は,従来のトップ$選択アルゴリズムと比較して,プライバシとユーティリティのトレードオフを改善していることを示す。
論文 参考訳（メタデータ） (2022-03-30T07:11:01Z) - AgFlow: Fast Model Selection of Penalized PCA via Implicit
Regularization Effects of Gradient Flow [64.81110234990888]
主成分分析(PCA)は特徴抽出と次元減少の有効な手法として広く用いられている。
High Dimension Low Sample Size (HDLSS) 設定では、ペナル化ロードを備えた修正主成分が好まれる。
ペナル化PCAの高速モデル選択法として近似勾配流(AgFlow)を提案する。
論文 参考訳（メタデータ） (2021-10-07T08:57:46Z)
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。