Fourier PCA와 강인한 텐서 분해: 차원 초과 ICA와 가우시안 혼합 모델을 위한 새로운 다항시간 알고리즘
본 논문은 푸리에 변환의 로그 미분으로부터 얻은 고차 텐서를 이용한 Fourier PCA 기법을 알고리즘화하고, 동일한 1‑랭크 성분을 공유하는 두 텐서의 강인한 분해 방법을 제시한다. 이를 통해 차원보다 많은 독립 성분을 가진 언더디터미ined ICA를 다항시간에 복구할 수 있으며, 선형 독립 평균을 갖는 구형 가우시안 혼합 모델도 잡음에 강인하게 학습한다.
저자: Navin Goyal, Santosh Vempala, Ying Xiao
본 논문은 고차 푸리에 변환을 이용한 새로운 차원 축소 및 성분 복원 기법인 Fourier PCA를 제안하고, 이를 기반으로 한 강인 텐서 분해 알고리즘을 개발한다. 기존 PCA는 데이터의 공분산 행렬(2차 모멘트)만을 이용해 주성분을 찾지만, 비선형 구조나 차원 초과 상황에서는 충분하지 않다. 이를 보완하기 위해 저자들은 확률분포의 푸리에 변환 ϕ(u)=E
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기