随机非线性成分分析
本研究采用特征值分解解决非参数正相关分析问题,通过数据估计种群密度,降低计算负担,提高非参数 CCA 的性能,同时提出了部分线性 CCA 算法用于处理单个视图的线性投影问题。
Nov, 2015
探索多个观测随机向量之间的潜在共变性的经典统计方法 —— 典型相关分析 (CCA) 以及其扩展和变化在发现多视图数据集中的共同随机因素方面的能力。该研究设计了一种新颖高效的模型,适用于典型相关分析的深度扩展,并克服了现有方法的局限性,将私有组件建模为在给定共同组件的条件下条件独立,从而提供了一种更紧凑的表述形式。通过合成数据和实际数据的实验验证了我们的结论和方法的有效性。
Dec, 2023
本文介绍了一种名为 L-CCA 的迭代算法,可在巨大的稀疏数据集上快速计算 CCA,同时建立了 L-CCA 的渐近收敛和有限时间准确性理论。实验结果表明,在两个真实数据集上,L-CCA 的表现优于其他快速 CCA 近似方案。
Jul, 2014
本文介绍了经典相关分析如何通过正则化、核、和稀疏等不同变体实现对变量集对之间的关系的研究。同时作者提供了数值例子,希望这篇文章成为数据分析人员使用经典相关方法的实用工具。
Nov, 2017
本文提出了一种新的基于残差方差的概率主成分分析 (PPCA) 模型 —— 残差成分分析 (RCA),并探讨了由此框架产生的新算法,其中包括将高斯密度的协方差分解为低秩与稀疏逆两个部分的算法。作者在蛋白质信号网络恢复,基因表达时间序列数据集分析以及基于三维点云数据恢复人类骨架方面阐述了该模型的应用。
Jun, 2012
本论文提出了一种基于随机优化算法的近似核正则化典型相关分析方法,具有在处理大规模数据集时计算效率高的特点,该方法应用于语音数据集处理中,包含 $1.4$ 百万的训练样本,以及维度 $M=100000$ 的随机特征空间.
Nov, 2015
本文探讨了适应性极小化和可计算的高维度下领先的稀疏规范系数向量的估计方法,得出了基于高斯模型的计算下限,并提出了第一个基于高斯单钉合模型的稀疏 PCA 的计算下限。
Sep, 2014
我们提出了一种有效的随机算法(RSG+),使用投影矩阵的重新参数化来进行规范相关分析(CCA),并展示了这种重新参数化如何直接提出机会来重新设计和调整用于 Riemann 流形上数值优化的成熟技术。
Jun, 2021
该论文提出了一种针对大规模 CCA 问题的可扩展和内存高效的增量近似梯度(AppGrad)方案,该方案仅涉及宽度为 k 的瘦矩阵和尺寸为 k * k 的小矩阵分解,具有更优秀的存储复杂性和可拓展性,并可用于实时处理。
Jun, 2015
本文提出了一种基于最小二乘法的稀疏凸框架解决典型相关分析(CCA)的新方法,特别关注了在第一个视图中使用原始表示而在第二个视图中使用对偶表示的情形,展示了该方法在英语 - 法语和英语 - 西班牙语配对语料库中的 Mate-Retrieval 任务上的应用,表明当原始特征数较大时,Sparse CCA 优于 Kernel CCA。
Aug, 2009