ترجمه فارسی مقاله برازش مدل های فاکتور چند سطحی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Fitting Multilevel Factor Models
عنوان مقاله به فارسی برازش مدل های فاکتور چند سطحی
نویسندگان Tetiana Parshakova, Trevor Hastie, Stephen Boyd
فرمت مقاله انگلیسی PDF
تعداد صفحات 33
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Machine Learning,Mathematical Software,Computation,یادگیری ماشین , یادگیری ماشین , نرم افزار ریاضی , محاسبه ,
توضیحات Submitted 18 September, 2024; originally announced September 2024. , MSC Class: 62H12 ACM Class: G.4
توضیحات به فارسی ارائه شده در 18 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، MSC کلاس: 62H12 ACM کلاس: G.4
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

We examine a special case of the multilevel factor model, with covariance given by multilevel low rank (MLR) matrix~\cite{parshakova2023factor}. We develop a novel, fast implementation of the expectation-maximization (EM) algorithm, tailored for multilevel factor models, to maximize the likelihood of the observed data. This method accommodates any hierarchical structure and maintains linear time and storage complexities per iteration. This is achieved through a new efficient technique for computing the inverse of the positive definite MLR matrix. We show that the inverse of an invertible PSD MLR matrix is also an MLR matrix with the same sparsity in factors, and we use the recursive Sherman-Morrison-Woodbury matrix identity to obtain the factors of the inverse. Additionally, we present an algorithm that computes the Cholesky factorization of an expanded matrix with linear time and space complexities, yielding the covariance matrix as its Schur complement. This paper is accompanied by an open-source package that implements the proposed methods.

چکیده به فارسی (ترجمه ماشینی)

ما یک مورد خاص از مدل فاکتور چند سطحی را بررسی می کنیم ، با کواریانس که توسط ماتریس چند سطحی درجه پایین (MLR) ~ \ cite {parshakova2023factor} ارائه شده است.ما یک اجرای جدید و سریع الگوریتم انتظار-حرکت (EM) ، متناسب با مدل های فاکتور چند سطحی ، برای به حداکثر رساندن احتمال داده های مشاهده شده ، توسعه می دهیم.این روش هر ساختار سلسله مراتبی را در خود جای داده و زمان خطی و پیچیدگی های ذخیره سازی را در هر تکرار حفظ می کند.این امر از طریق یک تکنیک کارآمد جدید برای محاسبه معکوس ماتریس قطعی مثبت MLR حاصل می شود.ما نشان می دهیم که معکوس یک ماتریس PSD MLR غیر قابل برگشت نیز یک ماتریس MLR با همان کمبود در فاکتورها است و ما از هویت ماتریس بازگشتی شرمن-موریسون-وودبری برای به دست آوردن عوامل معکوس استفاده می کنیم.علاوه بر این ، ما یک الگوریتم را ارائه می دهیم که فاکتورسازی cholesky یک ماتریس گسترش یافته را با پیچیدگی های زمان خطی و فضا محاسبه می کند ، و ماتریس کواریانس را به عنوان مکمل Schur خود ارائه می دهد.این مقاله با یک بسته منبع باز همراه است که روشهای پیشنهادی را پیاده سازی می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.