Кросс-энтропийная оптимальная редукция размерности матрицы данных с ограничением информационной ёмкости
- Авторы: Попков Ю.С.1,2, Попков А.Ю.1
-
Учреждения:
- Федеральный исследовательский центр «Информатика и управление» Российской академии наук
- Академический колледж ОРТ Брауде
- Выпуск: Том 488, № 1 (2019)
- Страницы: 21-23
- Раздел: Математика
- URL: https://journals.eco-vector.com/0869-5652/article/view/16159
- DOI: https://doi.org/10.31857/S0869-5652488121-23
- ID: 16159
Цитировать
Полный текст
Аннотация
Развивается метод редукции матрицы с неотрицательными элементами, основанный на кросс-энтропийной оптимизации матриц-проекторов при условии сохранения информационной ёмкости исходной матрицы.
Ключевые слова
Об авторах
Ю. С. Попков
Федеральный исследовательский центр «Информатика и управление» Российской академии наук; Академический колледж ОРТ Брауде
Автор, ответственный за переписку.
Email: popkov@isa.ru
Академик РАН
Россия, 119333, г. Москва, ул. Вавилова, д. 44, корп. 2; 216100, Израиль, г. Кармиэль, ул. Снунит, 51А. Ю. Попков
Федеральный исследовательский центр «Информатика и управление» Российской академии наук
Email: popkov@isa.ru
Россия, 119333, г. Москва, ул. Вавилова, д. 44, корп. 2
Список литературы
- Bingham E., Manilla H. Random projection in dimensionality reduction: Application to image and next data // Proc. of the Seventh ACM SICKDD Intern. Conf. on Knowledge Discovery and Data Mining. N.Y.: Association for Computing Machinery. P. 245-250.
- Achlioptas D. Database-friendly random projection // Proceeding PODS’01, Proc. of the twentith ACM SIGMOD-SIGACT-SIGART symposium on principles of data base systems. 2001. P. 274-281.
- Попков Ю.С., Дубнов Ю.А., Попков А.Ю. Энтропийная редукция размерности в задачах рандомизированного машинного обучения // АиТ. 2018. № 11. С. 106-123.
- Кендал М.Дж., Стюарт А. Статистические выводы и связи // Пер. с англ. М.: Наука, 1973.
- Jollife I.T. Principle Component Analysis // N.Y.: Springer-Verlag, 2002.
- Айвазян С.А., Бухштабер И.М., Енюков И.С., Мешалкин Л.Д. Прикладная статистика: Классификация и снижение размерности // М.: Финансы и статистика, 1989.
- Fisher R.A. The Use of Multiple Measurements in Taxonomic Problems // Annals of Eugenics. 1936. V. 7. P. 179-188.
- Comon P., Jutten C. Handbook of Blind Source Separation, Independent Component Analysis and Applications. Oxford: Acag. Press, 2010.
- Michael W., et all. Algorithms and Application for Approximate Nonnegative Matrix Factorization // Computational Statistics and Data Analysis. 2007. V. 52. P. 150-173.
- Поляк Б.Т., Хлебников М.В. Метод главных компонент: робастные версии //АиТ. 2017. № 3. С. 130-148.
- Попков Ю.С. Мультипликативные схемы итерационных алгоритмов II: выпуклое программирование // Техническая кибернетика. 1993. № 2. С. 31-45.
- Попков Ю.С. Теория макросистем: равновесные модели. М.: УРСС, 1999. 317 с.
- Kullback S., Leibler R.A. On information and Sufficiency. Ann. of Math. Statistics. 1951. V. 22(1). P. 79-86.
- Magnus J., Neudecker H. Matrix Differential Calculus with Applications in Statistics and Econometrics. John Willey and Sons. 1999.
Дополнительные файлы
![](/img/style/loading.gif)