ビッグデータのための教師付き次元縮小【JST・京大機械翻訳】

Vogelstein Joshua T.; Bridgeford Eric; Tang Minh; Zheng Da; Douville Christopher; Burns Randal; Maggioni Mauro

プレプリント

J-GLOBAL ID：202202216788112995 整理番号：21P0004978

ビッグデータのための教師付き次元縮小【JST・京大機械翻訳】

Supervised Dimensionality Reduction for Big Data

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2017年09月05日プレプリントサーバーでの情報更新日： 2021年01月23日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

重要なバイオメディカル問題を解決するため,実験者は,データ科学技術が正確なデータ駆動推論を構築できるという希望で,サンプル当たり数百万または10億の特徴を日常的に測定している。サンプルサイズは,これらのデータの次元よりも典型的に桁小さいので,有効な推論は,識別情報を保存する低次元表現(例えば,個人が特定の疾患に悩むかどうか)を見つける必要がある。強い統計的理論的保証で数百万の次元にスケールする解釈可能な教師つき次元縮小法の欠如がある。低次元投影にクラス条件モーメント推定を組み込むことにより主成分分析を拡張するためのアプローチ,XOXを導入した。最も単純なバージョンである「線形最適低ランク」投影(LOL)は,クラス条件付き手段を組み込む。著者らは,合成および実データベンチマークの両者を用いて証明し,XOXフレームワークにおけるLOLおよびその一般化が,計算効率およびスケーラビリティを維持しながら,その後の分類のためのデータ表現の改善に導くことを示した。>150百万の特徴からなる複数の脳イメージングデータセットと>500,000の特徴を持ついくつかのゲノムデータセットを用いて,LOLは精度の点で他のスケーラブル線形次元縮小技術よりも性能が優れているが,標準デスクトップコンピュータ上では数分しか必要としない。【JST・京大機械翻訳】

, , , , ,
, , , , , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

, ,

前のページに戻る