Текущий выпуск Номер 1, 2025 Том 17

Все выпуски

Результаты поиска по 'количество факторов':
Найдено статей: 23
  1. От редакции
    Компьютерные исследования и моделирование, 2017, т. 9, № 5, с. 673-675
    Просмотров за год: 1.
  2. От редакции
    Компьютерные исследования и моделирование, 2016, т. 8, № 6, с. 831-832
    Просмотров за год: 2.
  3. От редакции
    Компьютерные исследования и моделирование, 2018, т. 10, № 4, с. 379-381
    Просмотров за год: 36.
  4. От редакции
    Компьютерные исследования и моделирование, 2019, т. 11, № 4, с. 559-561
    Просмотров за год: 4.
  5. От редакции
    Компьютерные исследования и моделирование, 2021, т. 13, № 1, с. 5-8
  6. От редакции
    Компьютерные исследования и моделирование, 2023, т. 15, № 3, с. 485-489
  7. От редакции
    Компьютерные исследования и моделирование, 2023, т. 15, № 6, с. 1415-1418
  8. От редакции
    Компьютерные исследования и моделирование, 2024, т. 16, № 3, с. 581-584
  9. От редакции
    Компьютерные исследования и моделирование, 2024, т. 16, № 6, с. 1341-1343
  10. Никулин В.Н.
    О разложении матриц при помощи метода стохастического градиентного спуска в приложении к задаче направляемой классификации микрочипов
    Компьютерные исследования и моделирование, 2013, т. 5, № 2, с. 131-140

    Многомерные данные, при использовании значительно большего количества признаков относительно меньшего числа наблюдений, порождают хорошо известную проблему переопределённой задачи. В связи с этим, представляется целесообразным описание данных в терминах меньшего числа мета-признаков, которые вычисляются при помощи так называемых матричных факторизаций. Такие факторизации способствуют уменьшению случайного шума при сохранении наиболее существенной информации. Три новых и взаимосвязанных метода предложены в этой статье: 1) факторизационный механизм градиентного спуска с двумя (согласно размерности микрочипа) гибкими и адаптируемыми параметрами обучения, включая явные формулы их автоматического пересчета, 2) непараметрический критерий для отбора количества факторов, и 3) неотрицательная модификация градиентной факторизации, которая не требует дополнительных вычислительных затрат в сравнении с базовой моделью. Мы иллюстрируем эффективность предложенных методов в приложении к задаче направляемой классификации данных в области биоинформатики.

    Ключевые слова: матричная факторизация, ненаправляемое обучение, количество факторов, непараметрический критерий, неотрицательность, оставить одного извне, классификация.
    Цитирований: 4 (РИНЦ).
Страницы: следующая последняя »

Журнал индексируется в Scopus

Полнотекстовая версия журнала доступна также на сайте научной электронной библиотеки eLIBRARY.RU

Журнал входит в систему  Российского индекса научного цитирования.

Журнал включен в базу данных Russian Science Citation Index (RSCI) на платформе Web of Science

Международная Междисциплинарная Конференция "Математика. Компьютер. Образование"

Международная Междисциплинарная Конференция МАТЕМАТИКА. КОМПЬЮТЕР. ОБРАЗОВАНИЕ.

Copyright © 2009–2025 Институт компьютерных исследований