Nesterov Accelerated Gradient Descent for Optimizing Fast Harmonic Mean Linear Discriminant Analysis
Notice bibliographique
Résumé
Dimension reduction algorithms have become widespread in data science due to the prevalence of High-Dimensional Data (HDD).In recent years, many versions of Linear Discriminant Analysis (LDA) have been developed for dimensionality reduction.Among them, the Fast Harmonic mean-based LDA (FHLDA) and FHLDA-pairwise (FHLDAp) algorithms reduce HDD by adopting joint diagonalization based on Taylor expansion to generate discriminants.However, the Stiefel manifold gradient scheme in these algorithms involves many matrix multiplications, leading to high computational time complexity (( 2 )).Thus, this manuscript proposes an Accelerated Optimization (AO) approach for FHLDA and FHLDAp algorithms to reduce the complexity of the Stiefel manifold gradient scheme to (√) .A Nesterov accelerated gradient descent scheme is introduced to optimize functions on the Stiefel manifold by constructing a sequence of proximal points satisfying manifold constraints.This achieves asymptotically optimal error for L-smooth convex, as well as L-smooth and -strongly convex functions, provided step size satisfies the Lipschitz smoothness condition.So, it is ensured to converge and achieve an accelerated rate after the solution is nearer to the local.After applying this scheme, joint diagonalization via Taylor expansion recovers the discriminant vector from the manifold.Experimental results demonstrate that the AOFHLDA and AOFHLDAp algorithms outperform LDA, FHLDA, and FHLDAp on both single and multi-label datasets, achieving significant accuracy improvements.Specifically, AOFHLDA improves accuracy by 17.87%, 14.14%, 14.65%, and 15.28% on the PIE, UMIST, Barcelona, and MediaMill datasets, respectively.Similarly, AOFHLDAp improves accuracy by 19.32%, 15.13%, 15.61%, and 16.44% on the PIE, UMIST, Barcelona, and MediaMill datasets, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,005 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».