핵심 개념
異なる主成分分析研究からの知識移転は、目標の主成分空間の推定精度を向上させることができます。
초록
統計コミュニティで大きな関心を集めている「転移学習」に焦点を当てた研究。
複数のソース主成分分析(PCA)研究から有用な情報を抽出し、ターゲットPCAタスクの推定精度を向上させる2段階の転移学習アルゴリズムを提案。
Grassmannian barycenter法による共有部分空間情報の統合と、その後に得られた推定値を使用してターゲットプライベート部分空間を推定。
PCA研究間での知識移転における利点は、拡大された固有値ギャップに帰せられ、これは従来の教師付き転移学習タスクと異なります。
통계
転送可能なソース集団が与えられた場合、Grassmannian barycenter法は一般的な場合でも堅牢性と計算上の利点を享受します。
인용구
"Transfer learning has aroused great interest in the statistical community."
"Our theoretical analysis credits the gain of knowledge transfer between PCA studies to the enlarged eigenvalue gap."