文献

J-GLOBAL ID：201702260225794635   整理番号：17A1427298

深い学習に基づく行列完成【Powered by NICT】

Deep learning based matrix completion

著者 (2件)： Fan Jicong (Department of Electronic Engineering, City University of Hong Kong, Hong Kong SAR, China) ,  Chow Tommy (Department of Electronic Engineering, City University of Hong Kong, Hong Kong SAR, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 266  ページ： 540-549  発行年： 2017年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 与えられた不完全マトリックスは低品位であるが以前の行列補完法は一般的に直線かつ浅いモデルに基づいており,データは線形潜在変数モデルによって生成されると仮定した。本論文では,まずAutoEncoder基づく行列補完(AEMC)と呼ばれる新しい方法を提案した。AEMCの主なアイデアは,AutoEncoderの形で非線形潜在変数モデルを学習し構築するために部分的に観測されたデータを利用することである。AutoEncoderの隠れ層は可視層よりもはるかに少ない単位を持っている。一方,データの未知のエントリーを回収非線形潜在変数モデルをフィットさせた。AEMCに基づいて,著者らはさらに深い学習に基づく行列補完(DLMC)法を提案した。DLMCは,AEMCは欠測エントリとネットワークパラメータの両方のためのトレーニング前段階として使用されている;AEMCの隠れた層を欲張り層別訓練による積層AutoEncoders(SAE)を学習するために使用されている;最後に微調整は,データの欠落エントリとネットワークのパラメータを得るためにAEMCとSAEによって形成される深いネットワーク上で行った。添加において,ここではまた,オンライン不完全データを回収するAEMCとDLMCのサンプル外拡張を提供した。AEMCとDLMCは合成行列補完,画像修復,協調フィルタリングのタスクにおいて,最新の方法と比較した。実験結果は,提案した方法の有効性と優位性を検証した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 線形性 ,  *学習 ,  層別 ,  モデル ,  画像復元 ,  ネットワーク
準シソーラス用語： 協調フィルタリング ,  不完全データ ,  オンライン ,  微調整 ,  ネットワークパラメータ ,  隠れ層 ,  潜在変数 ,  行列補完 , 【Automatic Indexing@JST】

著者キーワード (6件)： 行列完備化 ,  AutoEncoder ,  深い学習 ,  out-of-sample-拡張 ,  画像修復 ,  協調フィルタリング

分類 (3件)： 数値計算  (JE02000J) ,  人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (2件)： 学習 ,  行列