文献

J-GLOBAL ID：202002232874775676   整理番号：20A0821649

グラフ-ヘッシアンに関する主成分分析【JST・京大機械翻訳】

Principal Component Analysis on Graph-Hessian

著者 (4件)： Pan Yichen (China University of Petroleum (East China),College of Control Science and Engineering,Qingdao,China) ,  Zhou Yicong (University of Macau,Faculty of Science and Technology,Macau,China) ,  Liu Weifeng (China University of Petroleum (East China),College of Control Science and Engineering,Qingdao,China) ,  Nie Liqiang (Shandong University,School of Computer Science and Technology,Qingdao,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： SSCI  ページ： 1494-1501  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 主成分分析(PCA)は,広く使用されている線形次元縮小法であり,データが高次元空間の低次元アフィン部分空間から引き出されると仮定する。しかし,それはサンプルの特徴情報を使用するだけである。データの構造情報を利用し,PCAフレームワークにそれを埋め込むことにより,元の空間におけるサンプル間の局所的位置関係を保存することができ,PCAに基づく下流タスクの性能を改善することができる。本論文では,Hessian正則化をPCAに導入し,Graph-Hessian主成分分析(GHPCA)と呼ばれる新しいモデルを提案した。Hessianは,データマニホールドの固有の局所幾何学を正しく使用することができる。高次元空間におけるデータ間の近傍関係を維持することはより良い。他のLaplaceベースのモデルと比較して,著者らのモデルは次元縮小の後により豊富な構造情報を得ることができて,それは低次元構造をより良く復元することができた。PCA,GLPCA,RPCAおよびRPCAGのいくつかの方法と比較することによって,USPS手書きディジタルデータセット,YALE顔データセットおよびCOIL20オブジェクト画像データセットに関するK平均クラスタリング実験を通して,著者らのモデルがクラスタ化タスクにおける他の主成分分析モデルより優れていることを証明した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 線形性 ,  *主成分分析 ,  正則化 ,  マニホールド ,  クラスタ化 ,  幾何学 ,  次元縮小 ,  高次元
準シソーラス用語： 部分空間 ,  低次元 ,  *Hessian行列 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： グラフ ,  ヘッシアン ,  主成分分析