文献

J-GLOBAL ID：201702269752157667   整理番号：17A0406540

out-of-sample-dataのためのグラフ正則化された次元縮小法【Powered by NICT】

A graph regularized dimension reduction method for out-of-sample data

著者 (3件)： Tang Mengfan (Department of Computer Science, University of California, Irvine) ,  Nie Feiping (School of Computer Science and Center for OPTical IMagery Analysis and Learning (OPTIMAL), Northwestern Polytechnical University, China) ,  Jain Ramesh (Department of Computer Science, University of California, Irvine)
資料名： Neurocomputing  (Neurocomputing)
巻： 225  ページ： 58-63  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： 種々の次元縮小技術の中で,主成分分析(PCA)はベクトルデータを処理に特化したが,ラプラシアン埋め込みは埋め込みグラフデータにしばしば用いられる。,両技術の組合せ,グラフ正則化PCAはグラフデータを組み込むことにより,ベクトルデータの低次元表現の学習を支援するために開発した。しかし,これらの手法はサンプル外問題に直面した:各時間を新しいデータを加えると,固有ベクトルを再計算するアルゴリズムに供給される,膨大な計算コストをもたらす前に古いデータと組み合わせる必要がある。この問題を解決するために,正則化されたPCAグラフ正則化線形回帰PCA(grlrPCA)へのグラフを拡張した。grlrPCAは線形関数を学習し,直接その次元縮小のための新しいデータにそれを適用することにより古いデータに冗長計算を除去した。grlrPCA最適化問題を解き,無限正則化パラメータ限界でgrlrPCAおよび教師なし線形判別分析の密接な関連性を示すために効率的な反復アルゴリズムを導出した。七現実的なデータセットに関する複数のメトリックスの評価をgrlrPCAは,確立された教師なし次元縮小アルゴリズムより優れていることを実証した。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： 最適化問題 ,  Laplace演算子 ,  *次元縮小 ,  クラスタ化 ,  主成分分析 ,  固有ベクトル ,  アルゴリズム ,  *正則化
準シソーラス用語： メトリックス ,  反復アルゴリズム ,  線形判別分析 ,  線形回帰 ,  計算コスト ,  低次元 ,  ベクトルデータ , 【Automatic Indexing@JST】

著者キーワード (5件)： 次元縮小 ,  のサンプルデータ ,  グラフ正則化されたPCA(主成分分析) ,  多様体学習 ,  クラスタリング

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： グラフ ,  正則化 ,  次元縮小