論文の概要: Robust conditional dimension reduction for dissimilarity data

• arxiv url: http://arxiv.org/abs/2609.06284v1
• Date: Sat, 05 Sep 2026 22:36:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.224557
• Title: Robust conditional dimension reduction for dissimilarity data
• Title（参考訳）: 異種データに対するロバスト条件次元の低減
• Abstract要約: 条件付き多次元スケーリング(cMDS)は、異種データを直接処理するcDR技術である。 我々は,2乗ストレス基準を公平なM推定対象に置き換えることで,ロバスト多次元スケーリング(rcMDS)を提案する。 我々は、この目的を最適化するために、再重み付き条件付きSMACOFアルゴリズムを開発した。
• 参考スコア（独自算出の注目度）: 2.361342322155422
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conditional dimension reduction (cDR) learns low-dimensional latent coordinates while accounting for observed covariates that represent known sources of variation in the data. Conditional Multidimensional Scaling (cMDS) is a cDR technique that works directly with dissimilarity data. Its standard squared-stress formulation, however, is sensitive to contaminated dissimilarity, since outliers can dominate the objective and distort the learned configuration. We proposed Robust Conditional Multidimensional Scaling (rcMDS) by replacing the squared-stress criterion with a Fair M-estimation objective. We developed a reweighted conditional SMACOF algorithm to optimize this objective. The proposed algorithm admits computationally tractable updates, and its stabilized objective values decrease monotonically and converge to a finite limit. Experiments on synthetic and real data show that the pro
• Abstract（参考訳）: 条件次元還元(cDR)は、データの既知の変化源を表す観測された共変量を考慮して、低次元の潜在座標を学習する。 条件付き多次元スケーリング(cMDS)は、異種データを直接処理するcDR技術である。 しかし、標準の正方形応力の定式化は汚染された相似性に敏感である。 我々は,2乗ストレス基準を公平なM推定目標に置き換えることで,ロバスト条件付き多次元スケーリング(rcMDS)を提案する。 我々は、この目的を最適化するために、再重み付き条件付きSMACOFアルゴリズムを開発した。 提案アルゴリズムは,計算的にトラクタブルな更新を許容し,その安定化された目標値は単調に減少し,有限限に収束する。 合成および実データによる実験結果から、プロはプロであることが明らかとなった

関連論文リスト

• Overfitting Mitigation via Singular Value Decomposition in Minimum Bayes Risk Decoding [53.9009465845701]
  本稿では,一対のユーティリティ行列をノイズ情報信号としてフレーム化するSVD-MBRを提案する。 実験により、SVD-MBRは復号化に成功し、一般化されたメトリクスの範囲でかなりの利得が得られることが示された。
  論文  参考訳（メタデータ） (2026-09-01T12:11:29Z)
• A Robust Optimization Approach to Sparse Principal Component Analysis [8.963365635440722]
  本稿では,頑健な最適化を生かしたAdversarial PCA(AdvPCA)を提案する。 この定式化は閉形式還元を許容し、実用的な反復アルゴリズムをもたらすことを示す。 理論的に解を特徴づけることにより、アルゴリズムがボックス外で効果的に実行できるようにするデータ適応パラメータ化を導出する。
  論文  参考訳（メタデータ） (2026-06-02T12:14:12Z)
• FlowSDR: Sufficient Dimension Reduction via Conditional Normalizing Flows [6.1441848595952]
  FlowSDRは、射影と条件密度を共同で学習する可能性に基づくフレームワークである。 ニューラル・ガウス的SDR, ヘテロセダスティックな条件付きガウス的モデルを導入し, 平均と分散は共有ニューラル・ネットワーク関数によってパラメータ化される。
  論文  参考訳（メタデータ） (2026-05-31T16:54:56Z)
• Riemannian Stochastic Optimization for Sufficient Dimension Reduction [4.340040784481499]
  十分次元(SDR)は、cosを低次元部分空間に投影することで高次元回帰を抽出できる。 結果のアルゴリズムであるSMAVEは、スティーフェル多様体上の経験的還元と閉形式勾配を結合する。
  論文  参考訳（メタデータ） (2026-05-29T23:06:44Z)
• Topolow: Force-Directed Euclidean Embedding of Dissimilarity Data with Robustness Against Non-Metricity and Sparsity [0.8287206589886881]
  Topolowは、そのような埋め込み問題に対する物理学に着想を得た、勾配のない最適化フレームワークである。 トポローは入力の相似性を計量として必要とせず、非計量測度を有効ユークリッド空間に埋め込む堅牢な解となる。 本稿では, 抗原マッピングにおけるTopolowとして最初に導入されたアルゴリズムを定式化した(Arhami and Rohani, 2025)。
  論文  参考訳（メタデータ） (2025-08-03T12:19:17Z)
• Projection Pursuit Density Ratio Estimation [44.71752951218575]
  密度比推定(DRE)は、複数の領域にまたがる幅広い応用のために、機械学習において最重要課題である。 密度比を推定するパラメトリック法は、モデルが不特定であればバイアスのある結果をもたらす可能性がある。 従来の非パラメトリック手法は、データ次元が大きければ次元の呪いに悩まされる。 本稿では,投射追跡近似に基づく新しいDRE手法を提案する。
  論文  参考訳（メタデータ） (2025-06-01T07:15:07Z)
• Theoretical Insights in Model Inversion Robustness and Conditional Entropy Maximization for Collaborative Inference Systems [89.35169042718739]
  協調推論により、クラウドサーバに機密データを公開することなく、エンドユーザは強力なディープラーニングモデルを活用することができる。 近年の研究では、これらの中間機能は、情報が漏洩し、生データをモデル反転攻撃(MIA)によって再構築できるため、プライバシーを十分に保持できないことが判明している。 この研究はまず、与えられた中間特徴の入力の条件エントロピーが、任意のMIAの下での再構成平均二乗誤差(MSE)の保証された下界を与えることを理論的に証明する。 そして、ガウス混合推定に基づいて、この条件付きエントロピーを有界化するための微分可能かつ可解な尺度を導出し、逆ロバスト性を高める条件付きエントロピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-03-01T07:15:21Z)
• Last-Iterate Convergence of Adaptive Riemannian Gradient Descent for Equilibrium Computation [52.73824786627612]
  本稿では,テクスト幾何学的強単調ゲームに対する新たな収束結果を確立する。 我々のキーとなる結果は、RGDがテクスト幾何学的手法で最終定位線形収束を実現することを示しています。 全体として、ユークリッド設定を超えるゲームに対して、幾何学的に非依存な最終点収束解析を初めて提示する。
  論文  参考訳（メタデータ） (2023-06-29T01:20:44Z)
• Contrastive inverse regression for dimension reduction [0.0]
  コントラッシブ・リバース・レグレッション (CIR) と呼ばれる, コントラッシブ・セッティングに特化して設計されたディメンション・リダクション法を提案する。 CIRは、非標準損失関数を持つスティーフェル多様体上で定義される最適化問題を導入する。 勾配勾配勾配に基づくアルゴリズムを用いて,CIRの局所最適収束を証明し,高次元データに対する競合手法よりも優れた性能を実証的に示す。
  論文  参考訳（メタデータ） (2023-05-20T21:44:11Z)
• Orthogonal Matrix Retrieval with Spatial Consensus for 3D Unknown-View Tomography [58.60249163402822]
  未知視トモグラフィ(UVT)は、未知のランダムな向きで2次元投影から3次元密度マップを再構成する。 提案したOMRはより堅牢で、従来の最先端のOMRアプローチよりも大幅に性能が向上している。
  論文  参考訳（メタデータ） (2022-07-06T21:40:59Z)
• Benign Overfitting of Constant-Stepsize SGD for Linear Regression [122.70478935214128]
  帰納バイアスは 経験的に過剰フィットを防げる中心的存在です この研究は、この問題を最も基本的な設定として考慮している: 線形回帰に対する定数ステップサイズ SGD。 我々は、(正規化されていない)SGDで得られるアルゴリズム正則化と、通常の最小二乗よりも多くの顕著な違いを反映する。
  論文  参考訳（メタデータ） (2021-03-23T17:15:53Z)

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。