文献

J-GLOBAL ID：202102276657684547   整理番号：21A0005242

ベクトル異常値正則化によるL_2,1ノルムロバスト性の再検討【JST・京大機械翻訳】

Revisiting L_2,1-Norm Robustness With Vector Outlier Regularization

著者 (2件)： Jiang Bo (Key Laboratory of Intelligent Computing and Signal Processing of Ministry of Education, School of Computer Science and Technology, Anhui University, Hefei, China) ,  Ding Chris (CSE Department, University of Texas at Arlington, Arlington, TX, USA)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 31  号： 12  ページ： 5624-5629  発行年： 2020年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
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： 多くの実世界アプリケーションにおいて,データは通常異常値を含んでいる。1つの一般的な手法は,ロバストな損失/誤差関数としてL_2,1ノルム関数を使用することである。しかし,L_2,1ノルム関数のロバスト性はこれまでよく理解されていない。ここでは,L_2,1ノルム関数のロバスト性を理解し,解析するための新しいベクトル異常値正則化(VOR)フレームワークを提案した。VOR関数は,理論予測に関して閾値外にある場合,異常値であるデータ点を定義し,それを正規化し,即ち,それを閾値線に戻す。従って,VOR関数において,異常値が理論予測値から離れているかは,最終正則化と解析結果に影響を与えない。VOR関数の一つの重要な側面は,L_2,1ノルム関数が提案したVOR関数の限界ケースであると証明できる等価連続定式化を持つことである。この理論的結果に基づいて,L_2,1ノルム関数のロバスト性特性の新しい直感的説明を提供した。例として,VOR関数を用いて行列因数分解を行い,VOR主成分分析(PCA)(VORPCA)を提案した。データ再構成とクラスタリングタスクに対するVORPCAのいくつかの利点を示した。Copyright 2021 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： *ベクトル ,  クラスタ化 ,  応用プログラム ,  *正則化 ,  *異常値 ,  定式化 ,  主成分分析 ,  正規化 ,  *ロバスト性 ,  *ノルム ,  誤差関数
準シソーラス用語： 予測値 ,  データ再構成 ,  行列因数分解 , 【Automatic Indexing@JST】

分類 (1件)： 信号理論  (ND02020G)

タイトルに関連する用語 (5件)： ベクトル ,  異常値 ,  正則化 ,  ノルム ,  ロバスト性