כתבה
arXiv cs.LG ·
LORE: חידוש ללמידת גודל הממדים הפנימיים והסטרוקטורה הדומה היחסיים מנתוני סדר
LORE: Jointly Learning the Intrinsic Dimensionality and Relative Similarity Structure From Ordinal Data
LORE (Low Rank Ordinal Embedding) - פלטפורמה חדשה שלמדה גודל הממדים הפנימיים והסטרוקטורה הדומה היחסיים מנתוני סדר. הפלטפורמה ניתנת לשימוש בפסיכופיזיקה ובמסגרת זאת, ניתן לגלות סטרוקטורה נמוכה-ממדים בנתוני סדר.
תקציר מקורי באנגליתarXiv:2602.04192v3 Announce Type: replace Abstract: Learning the intrinsic dimensionality of subjective perceptual spaces such as taste, smell, or aesthetics from ordinal data is a challenging problem. We introduce LORE (Low Rank Ordinal Embedding), a scalable framework that jointly learns both the intrinsic dimensionality and an ordinal embedding from noisy triplet comparisons of the form, "Is A more similar to B than C?". Unlike existing methods that require the embedding dimension to be set apriori, LORE regularizes the solution using the nonconvex Schatten-$p$ quasi norm, enabling automatic joint recovery of both the ordinal embedding and its dimensionality. We optimize this joint objective via an iteratively reweighted algorithm and establish convergence guarantees. Extensive experime
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית