Sparse Non-linear CCA through Hilbert-Schmidt Independence Criterion

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference contributionScientificvertaisarvioitu

1 Sitaatiot (Scopus)
148 Lataukset (Pure)

Abstrakti

We present SCCA-HSIC, a method for finding sparse non-linear multivariate relations in high-dimensional settings by maximizing the Hilbert-Schmidt Independence Criterion (HSIC). We propose efficient optimization algorithms using a projected stochastic gradient and Nyström approximation of HSIC. We demonstrate the favourable performance of SCCA-HSIC over competing methods in detecting multivariate non-linear relations both in simulation studies, with varying numbers of related variables, noise variables, and samples, as well as in real datasets.
AlkuperäiskieliEnglanti
Otsikko2018 IEEE International Conference on Data Mining, ICDM 2018
KustantajaIEEE
Sivut1278-1283
Sivumäärä6
ISBN (elektroninen)9781538691588
ISBN (painettu)9781538691595
DOI - pysyväislinkit
TilaJulkaistu - 2018
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisuussa
TapahtumaIEEE International Conference on Data Mining - Singapore, Singapore
Kesto: 17 marraskuuta 201820 marraskuuta 2018

Conference

ConferenceIEEE International Conference on Data Mining
LyhennettäICDM
MaaSingapore
KaupunkiSingapore
Ajanjakso17/11/201820/11/2018

Siteeraa tätä

Uurtio, V., Bhadra, S., & Rousu, J. (2018). Sparse Non-linear CCA through Hilbert-Schmidt Independence Criterion. teoksessa 2018 IEEE International Conference on Data Mining, ICDM 2018 (Sivut 1278-1283). [8594981] IEEE. https://doi.org/10.1109/ICDM.2018.00172