جستجوی مقالات مرتبط با کلیدواژه "matrix completion" در نشریات گروه "برق"
تکرار جستجوی کلیدواژه «matrix completion» در نشریات گروه «فنی و مهندسی»-
در سال های اخیر موضوع تکمیل ماتریس بسیار مورد توجه محققان قرار گرفته است. در مساله ی تکمیل ماتریس، هدف بازیابی کامل یک ماتریس رتبه پایین است که با استفاده از مشاهده ی تعداد محدودی از درایه های آن ماتریس انجام می شود. همچنین، مدل سازی ارتباط بین سطر های ماتریس به صورت یک گراف موجب معرفی زمینه پژوهشی تکمیل ماتریس گراف شده است. در مساله ی تکمیل ماتریس گراف، بازیابی ماتریس با استفاده از داده های مشاهده شده از طریق افزودن عبارت تغییرات کل گراف به تابع هدف مساله ی تکمیل ماتریس انجام می پذیرد. اما در عمل داده ها، آغشته به نویز و شامل داده های پرت می باشند. به داده هایی که با سایر داده های مشاهده شده متفاوت باشند و از ساختار کلی آن ها پیروی نکنند، داده ی پرت گفته می شود. در این مقاله، روشی جدید برای تکمیل ماتریس گراف در شرایط وجود همزمان نویز و داده ی پرت در مشاهدات ارایه شده است. روش پیشنهادی با نام GMCO-DL از ماتریس لاپلاسین جهت دار برای تعریف تغییرات کل گراف استفاده می نماید. نتایج شبیه سازی روش پیشنهادی حاکی از بهبود قابل ملاحظه ای از نظر خطا می باشد.
کلید واژگان: تکمیل ماتریس, پردازش سیگنال گراف, گراف جهتدار, داده پرتJournal of Iranian Association of Electrical and Electronics Engineers, Volume:20 Issue: 1, 2023, PP 89 -96Matrix completion problem has gathered a lot of attention in recent years. In the matrix completion problem, the goal is to recover a low-rank matrix from a subset of its entries. The graph matrix completion was introduced based on the fact that the relation between rows (or columns) of a matrix can be modeled as a graph structure. The graph matrix completion problem is formulated by adding the graph total variation term to the objective function of matrix completion problem. However; in practice, the observed data is noisy and contains outliers. Outlier data is defined as part of the observed that are different than other parts and are not consistent with the data structure. In this paper, we apply graph total variation based on the directed Laplacian and propose a new method for graph matrix completion. We introduce a new method called GMCO-DL for the case where both noise and outliers exist in observations. Simulation results show outstanding results for the proposed method in terms of estimation error.
Keywords: Matrix completion, Graph signal processing, Directed graph, Outliers -
تخمین هاپلوتایپ بر اساس اطلاعاتDNA برای کشف بیماری های ژنتیکی انسان استفاده می شود. این مسئله در پردازش ژنومی سیگنال ها به صورت یک ماتریس رتبه پایین قابل مدل سازی است که به علت محدودیت های موجود در خوانش هاپلوتایپ، فقط تعداد کمی از درایه ها مشاهده می شوند. در نتیجه یک روش موثر برای بازیابی هاپلوتایپ از مشاهدات ناقص، استفاده از روش های تکمیل ماتریس است. در این مقاله به کمک روش های تکمیل ماتریس، سعی در تخمین هاپلوتایپ از طریق فاکتورسازی ماتریسی شده است. در مراجع از روش گرادیان کاهشی برای حل مسئله استفاده شده است. اما در روش های قبلی داده های پرت نیز در محاسبات وارد می شود که باعث خطا در تخمین هاپلوتایپ شده است. به عبارتی در این روش ها به شروط موجود برای ماتریس های هاپلوتایپ توجه نشده است و این موضوع باعث تخمین داده های پرت برای هاپلوتایپ شده است. در این مقاله با روش تکمیل ماتریس و با در نظر گرفتن این شروط در ماتریس هاپلوتایپ، یک تابع هزینه جدید به صورت عبارت جریمه برای تخمین هاپلوتایپ معرفی می کنیم. عبارت جدید اضافه شده به تابع هزینه باعث می شود که اثر داده های پرت کاهش یافته و در نتیجه دقت تخمین هاپلوتایپ افزایش می یابد. نتایج شبیه سازی نیاز کاهش خطای بازیابی هاپلوتایپ را تایید می کند.
کلید واژگان: تخمین هاپلوتایپ, ماتریس رتبه پایین, تکمیل ماتریسJournal of Iranian Association of Electrical and Electronics Engineers, Volume:18 Issue: 3, 2021, PP 113 -120Haplotype estimates based on DNA information are used to detect human genetic diseases. This problem can be modeled in the genomic processing of signals as a low-rank matrix in which only a few elements are observed. As a result, an effective way to estimate the haplotype from incomplete observations is to use matrix completion methods. In this paper, using matrix completion methods, an attempt has been made to estimate the haplotype through matrix factorization. In references, the reduction gradient method has been used to solve the problem. However, in the previous methods, outliers were also included in the calculations, which caused an error in the haplotype estimation. In other words, these methods do not pay attention to the existing conditions for haplotype matrices, and this has led to outdated estimates for haplotypes. In this paper, with the matrix completion method and considering these conditions in the haplotype matrix, we introduce a new cost function as a penalty expression for haplotype estimation. The new expression added to the cost function reduces the effect of skewed data and thus increases the accuracy of haplotype estimates. The simulation results confirm the need to reduce the haplotype retrieval error
Keywords: Haplotype estimation, low rank matrix, matrix completion -
One of the fundamental methods used in collaborative filtering systems is Correlation based on K-nearest neighborhood. These systems rely on historical rating data and preferences of users and items in order to propose appropriate recommendations for active users. These systems do not often have a complete matrix of input data. This challenge leads to a decrease in the accuracy level of recommendations for new users. The exact matrix completion technique tries to predict unknown values in data matrices. This study is to show how the exact matrix completion can be used as a preprocessing step to tackle the sparseness problem. Compared to application of the sparse data matrix, selection of neighborhood set for active user based on the completed data matrix leads to achieving more similar users. The main advantages of the proposed method are higher prediction accuracy and an explicit model representation. The experiments show significant improvement in prediction accuracy in comparison with other substantial methods.Keywords: Recommender systems, collaborative filtering, Correlation, matrix completion, convex optimization, nearest neighborhood
- نتایج بر اساس تاریخ انتشار مرتب شدهاند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شدهاست. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که میخواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.