論文の概要: A Functional SVD Framework for Regularized Multivariate Functional PCA with Dual Penalization

• arxiv url: http://arxiv.org/abs/2609.14815v1
• Date: Sun, 13 Sep 2026 22:06:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.991699
• Title: A Functional SVD Framework for Regularized Multivariate Functional PCA with Dual Penalization
• Title（参考訳）: 正規化多変量関数型PCAのデュアルペナル化による機能的SVDフレームワーク
• Abstract要約: 本稿では,関数型特異値分解(SVD)による正規化多機能主成分分析(ReCA)のための新しいフレームワークを提案する。 提案手法はヒルベルト空間に一般化汎関数型SVDを組み込むことにより既存の方法論CAアプローチを拡張した。 このフレームワークの重要な革新は、パーセンテージペナルティをPCスコアに含めることであり、解釈可能性を高めている。
• 参考スコア（独自算出の注目度）: 4.278025122064963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper introduces a novel framework for Regularized Multivariate Functional Principal Component Analysis (ReMFPCA) via Functional Singular Value Decomposition (SVD). The proposed method extends existing MFPCA approaches by incorporating a generalized functional SVD within a Hilbert space framework, enabling simultaneous regularization of both functional principal components (PCs) and their associated PC scores. A key innovation of this framework is the inclusion of a sparsity penalty on the PC scores, which enhances interpretability by filtering out irrelevant subject-specific variations. This dual-penalization strategy represents a significant advancement beyond existing covariance-based eigen decomposition methods, which penalize only the functional PCs. Two power algorithm implementations, sequential and joint, are proposed, together with a cross-validation approach based on iterative regression for optimal smoothing parameter selection. Comprehensive simulation studies and real data applications demonstrate that the proposed framework substantially improves the extraction of informative and interpretable components, offering methodological and practical benefits for analyzing multivariate functional data across diverse domains.
• Abstract（参考訳）: 本稿では,正規化多変量関数主成分分析(ReMFPCA)のための関数特異値分解(SVD)による新しいフレームワークを提案する。 提案手法は,Hilbert空間フレームワークに一般化機能SVDを組み込むことで既存のMFPCAアプローチを拡張し,機能主成分(PC)と関連するPCスコアの同時正規化を可能にする。 このフレームワークの重要な革新は、PCスコアにスパーシティペナルティを組み込むことで、無関係な主題固有のバリエーションをフィルタリングすることで、解釈可能性を高めることである。 この双対ペナル化戦略は、機能的PCのみをペナル化する既存の共分散に基づく固有分解法を超える大きな進歩を示す。 最適平滑化パラメータ選択のための反復回帰に基づくクロスバリデーション手法とともに, 逐次およびジョイントの2つのパワーアルゴリズムの実装を提案する。 包括的シミュレーション研究と実データ応用により,提案フレームワークは情報・解釈可能なコンポーネントの抽出を大幅に改善し,多変量関数データの多変量解析のための方法論的・実践的な利点を提供する。

関連論文リスト

• DualFlexKAN: Dual-stage Kolmogorov-Arnold Networks with Independent Function Control [2.071516130824992]
  Kolmogorov-Arnold Networks (KAN) はこの制限をエッジ中心の学習可能な関数によって解決している。 Kanはパラメータスケーリングとアーキテクチャの剛性に悩まされており、標準正規化技術の効果的な統合を妨げる。 本稿では,DualFlexKAN(DFKAN)について紹介する。DualFlexKAN(DFKAN)は,先線形入力変換と後線形出力を独立に制御するデュアルステージ機構を備えたフレキシブルアーキテクチャである。
  論文  参考訳（メタデータ） (2026-03-09T16:36:04Z)
• Multi-Task Vehicle Routing Solver via Mixture of Specialized Experts under State-Decomposable MDP [57.28979643999352]
  本稿では,VRPの変種間で共有成分の性質を認識可能な統合解法フレームワークを提案する。 状態空間を基底状態空間のカルテアン積として表現することにより、VRPを再構成する状態分解型MDP(SDMDP)を導入する。 The Latent Space-based SDMDP extension is developed by the both the optimal basis policy and a learnable mix function。
  論文  参考訳（メタデータ） (2025-10-24T13:31:31Z)
• Domain Adaptation via Feature Refinement [0.3867363075280543]
  本稿では,分散シフト下での非教師付きドメイン適応のための簡易かつ効果的なフレームワークであるDAFR(Domain Adaptation via Feature Refinement)を提案する。 提案手法は, ラベルなし対象データを用いたバッチ正規化統計の適応, ソース学習モデルからの特徴蒸留, 仮説伝達の3つの重要な要素を組み合わせた。
  論文  参考訳（メタデータ） (2025-08-22T06:32:19Z)
• Quantization through Piecewise-Affine Regularization: Optimization and Statistical Guarantees [13.571671030124604]
  Piecewise regularization (PAR) は、統計的視点に基づく柔軟なモデリングを提供する。 グラデーションと交互方向乗算器を用いて問題を解くためにPAR法を用いる方法を示す。
  論文  参考訳（メタデータ） (2025-08-14T23:35:21Z)
• DeePoly: A High-Order Accuracy Scientific Machine Learning Framework for Function Approximation and Solving PDEs [5.483488375189695]
  この研究は、Deeソリューションを2段階のアプローチに変換する新しいフレームワークを紹介します。 戦略的な組み合わせは、両方の方法の強みを利用する。 このアプローチはオープンソースプロジェクトとしても機能し、論文としても機能します。
  論文  参考訳（メタデータ） (2025-06-05T04:10:52Z)
• Stochastic Optimization with Optimal Importance Sampling [49.484190237840714]
  本稿では,両者の時間的分離を必要とせずに,意思決定とIS分布を共同で更新する反復型アルゴリズムを提案する。 本手法は,IS分布系に対する目的的,軽度な仮定の凸性の下で,最小の変数分散を達成し,大域収束を保証する。
  論文  参考訳（メタデータ） (2025-04-04T16:10:18Z)
• Sample Complexity Characterization for Linear Contextual MDPs [67.79455646673762]
  文脈決定プロセス(CMDP)は、遷移カーネルと報酬関数がコンテキスト変数によってインデックス付けされた異なるMDPで時間とともに変化できる強化学習のクラスを記述する。 CMDPは、時間とともに変化する環境で多くの現実世界のアプリケーションをモデル化するための重要なフレームワークとして機能する。 CMDPを2つの線形関数近似モデルで検討する: 文脈変化表現とすべての文脈に対する共通線形重み付きモデルIと、すべての文脈に対する共通表現と文脈変化線形重み付きモデルIIである。
  論文  参考訳（メタデータ） (2024-02-05T03:25:04Z)
• Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
  我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。 EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。 得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
  論文  参考訳（メタデータ） (2023-12-10T15:22:30Z)
• Functional Generalized Canonical Correlation Analysis for studying multiple longitudinal variables [0.9208007322096533]
  FGCCA(Functional Generalized Canonical correlation Analysis)は、共同で観測される複数のランダムプロセス間の関連を探索する新しいフレームワークである。 我々は,解法の単調性を確立し,標準成分を推定するためのベイズ的アプローチを導入する。 本稿では,縦断データセットにユースケースを提示し,シミュレーション研究における手法の効率性を評価する。
  論文  参考訳（メタデータ） (2023-10-11T09:21:31Z)
• PARL: A Unified Framework for Policy Alignment in Reinforcement Learning from Human Feedback [106.63518036538163]
  我々は、強化学習におけるポリシーアライメントの最近強調された重要な問題に対処するために、新しい統合された二段階最適化ベースのフレームワーク、textsfPARLを提案する。 本フレームワークは, 上向きの目標(逆設計)の分布を, 下向きの最適変数で明示的にパラメータ化することにより, これらの問題に対処する。 その結果,提案したtextsfPARL が RL のアライメントの懸念に対処できる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-08-03T18:03:44Z)
• Efficient Model-Free Exploration in Low-Rank MDPs [76.87340323826945]
  低ランクマルコフ決定プロセスは、関数近似を持つRLに対して単純だが表現力のあるフレームワークを提供する。 既存のアルゴリズムは、(1)計算的に抽出可能であるか、または(2)制限的な統計的仮定に依存している。 提案手法は,低ランクMPPの探索のための最初の実証可能なサンプル効率アルゴリズムである。
  論文  参考訳（メタデータ） (2023-07-08T15:41:48Z)
• Regularized Multivariate Functional Principal Component Analysis [3.4238565157486187]
  本稿では,プライマリコンポーネントの粗さ制御の問題に対処するため,Realized theCA (ReCA) と呼ばれる新しいアプローチを提案する。 提案手法は多変量関数型PCを生成し,データの簡潔かつ解釈可能な表現を提供する。
  論文  参考訳（メタデータ） (2023-06-24T14:22:25Z)
• Stabilizing Q-learning with Linear Architectures for Provably Efficient Learning [53.17258888552998]
  本研究では,線形関数近似を用いた基本的な$Q$-learningプロトコルの探索変種を提案する。 このアルゴリズムの性能は,新しい近似誤差というより寛容な概念の下で,非常に優雅に低下することを示す。
  論文  参考訳（メタデータ） (2022-06-01T23:26:51Z)
• A general class of surrogate functions for stable and efficient reinforcement learning [45.31904153659212]
  本稿では,機能ミラーの上昇に基づく一般的なフレームワークを提案する。 既存のサロゲート機能では共有されていないプロパティである,政策改善保証を可能にするサロゲート関数を構築した。 提案したフレームワークは,PPOの堅牢性や効率性を実証的に示す改良版も提案している。
  論文  参考訳（メタデータ） (2021-08-12T16:19:19Z)

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。