論文の概要: SuperPCA: subspace analysis and an efficient algorithm for high-dimensional PCA

• arxiv url: http://arxiv.org/abs/2609.26406v1
• Date: Tue, 22 Sep 2026 13:39:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 01:05:39.667657
• Title: SuperPCA: subspace analysis and an efficient algorithm for high-dimensional PCA
• Title（参考訳）: SuperPCA:高次元PCAのための部分空間解析と効率的なアルゴリズム
• Abstract要約: 主成分分析は、多くのアプリケーションにおけるデータの次元性を低減するための基本的なツールである。 SuperPCAは少数のサブサンプリングされたデータ座標しか利用せず、データ取得コストの大幅な削減につながる可能性がある。 同じ数の測定で、SuperPCAは従来のPCA法に比べて10ドル精度が向上する。
• 参考スコア（独自算出の注目度）: 0.23332469289621782
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Principal component analysis (PCA) is a fundamental tool to reduce the dimensionality of the data in many applications. PCA finds a few signal directions that contain most of the variability of the data by computing the eigenvectors of the sample covariance matrix. In this work, we focus on the spiked covariance model, in which the data vectors are defined by a few orthogonal signals plus an isotropic Gaussian noise, and our goal is to estimate one or more of the leading signals. Our main theoretical finding is that the subspace spanned by several leading eigenvectors of the sample covariance matrix contains significant information about the desired signals long before the individual eigenvectors converge to the population principal components. To prove this, we derive a posteriori bounds for the angle between the subspace spanned by the desired population signals and the subspace obtained from the sample using perturbation theory for singular vectors. This leads to a new algorithm, SuperPCA (SUbsPace subsamplER PCA), which capitalizes on an approximate eigenspace of the sample covariance matrix to find the leading signals far more efficiently and accurately than classical PCA in the high-dimensional, multi-signal setting. SuperPCA exploits only a small number of subsampled coordinates of the data, which can lead to tremendous savings in data acquisition cost, especially when the signals are approximately sparse. For the same number of measurements, SuperPCA can offer a factor $10$ improvement in accuracy compared to the classical PCA method.
• Abstract（参考訳）: 主成分分析(PCA)は、多くのアプリケーションにおけるデータの次元性を低減するための基本的なツールである。 PCAは、サンプル共分散行列の固有ベクトルを計算することによって、データのばらつきの大部分を含む信号方向を見つけ出す。 本研究では,データベクトルが数個の直交信号と等方的ガウス雑音で定義されるスパイク共分散モデルに着目し,その1つ以上の先行信号の推定を目標とする。 我々の理論的な主な発見は、サンプル共分散行列のいくつかの先行固有ベクトルによって広がる部分空間は、個々の固有ベクトルが集団主成分に収束するずっと前に、所望の信号に関する重要な情報を含むことである。 これを証明するために、所望の集団信号で区切られた部分空間と、特異ベクトルの摂動理論を用いてサンプルから得られる部分空間の間の角度の後方境界を導出する。 これは、サンプル共分散行列の近似固有空間を利用して、高次元のマルチシグナル設定において、従来のPCAよりもはるかに効率的に正確にリード信号を見つける新しいアルゴリズムであるSuperPCA(SUbsPace subsampler PCA)をもたらす。 SuperPCAは、データの少数のサブサンプリングされた座標しか利用せず、特に信号がほぼスパースである場合、データ取得コストの大幅な削減につながる可能性がある。 同じ数の測定で、SuperPCAは従来のPCA法に比べて10ドル精度が向上する。

関連論文リスト

• 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)
• TL-PCA: Transfer Learning of Principal Component Analysis [1.573034584191491]
  主成分分析は、対象とするデータのサンプルが多すぎると著しく制限される可能性がある。 そこで本研究では,対象タスクの少ないデータに加えて,関連するソースタスクからの知識が使用されるPCA(TL-PCA)への転送学習手法を提案する。 画像データセットの結果から, 次元削減のためのTL-PCAにより, テストデータの表現が向上することが示された。
  論文  参考訳（メタデータ） (2024-10-14T17:59:18Z)
• Analysis of Partially-Calibrated Sparse Subarrays for Direction Finding with Extended Degrees of Freedom [0.0]
  本稿では,部分キャリブレーションされたスパースサブアレイのシナリオに対して,一般カレー多重信号分類(GCA-MUSIC) DOA推定アルゴリズムを提案する。 提案したGAA-MUSICアルゴリズムは,各サブアレイの差分コアレイを利用し,次いで特定の擬似スペクトルマージ規則を用いる。 数値シミュレーションにより,提案したGCA-MUSICは類似の手法よりも優れた性能を示した。
  論文  参考訳（メタデータ） (2024-08-06T14:48:34Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• Sparse PCA with Oracle Property [115.72363972222622]
  新規な正規化を伴うスパースPCAの半定緩和に基づく推定器群を提案する。 我々は、家族内の別の推定器が、スパースPCAの標準半定緩和よりも、より急激な収束率を達成することを証明した。
  論文  参考訳（メタデータ） (2023-12-28T02:52:54Z)
• Improved Privacy-Preserving PCA Using Optimized Homomorphic Matrix Multiplication [0.0]
  主成分分析(英: principal Component Analysis、PCA)は、機械学習とデータ分析の領域で広く利用されている重要な技術である。 近年,セキュアなクラウドコンピューティングシナリオにおいて,プライバシ保護型PCAアルゴリズムの同型暗号化を活用する取り組みが進められている。 本稿では,これらの制約に対処するプライバシー保護PCAに対して,従来の手法に比べて効率,精度,拡張性に優れる新たなアプローチを提案する。
  論文  参考訳（メタデータ） (2023-05-27T02:51:20Z)
• Robust factored principal component analysis for matrix-valued outlier accommodation and detection [4.228971753938522]
  Factored PCA (FPCA) は行列データに対するPCAの確率的拡張である。 行列データに対するFPCA(RFPCA)の堅牢な拡張を提案する。 RFPCAは適応的に減量し、ロバストな推定値が得られる。
  論文  参考訳（メタデータ） (2021-12-13T16:12:22Z)
• Turning Channel Noise into an Accelerator for Over-the-Air Principal Component Analysis [65.31074639627226]
  主成分分析(PCA)は、データセットの線形構造を抽出するための技術です。 勾配降下アルゴリズムに基づくマルチアクセスチャネル上にPCAを配置する手法を提案する。 オーバー・ザ・エア・アグリゲーションはマルチ・アクセスの遅延を減らすために採用され、オーバー・ザ・エア・PCAという名称を与える。
  論文  参考訳（メタデータ） (2021-04-20T16:28:33Z)
• A Linearly Convergent Algorithm for Distributed Principal Component Analysis [12.91948651812873]
  本稿では,1時間スケール分散pcaアルゴリズムである分散sanger's algorithm(dsa)を提案する。 提案アルゴリズムは真の解の近傍に線形収束することを示した。
  論文  参考訳（メタデータ） (2021-01-05T00:51:14Z)
• Sparse PCA via $l_{2,p}$-Norm Regularization for Unsupervised Feature Selection [138.97647716793333]
  再構成誤差を$l_2,p$ノルム正規化と組み合わせることで,単純かつ効率的な特徴選択手法を提案する。 提案する非教師付きモデルを解くための効率的な最適化アルゴリズムを提案し,アルゴリズムの収束と計算の複雑さを理論的に解析する。
  論文  参考訳（メタデータ） (2020-12-29T04:08:38Z)

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。