Principal Components Analysis（主成分分析）が好きですか？新しい論文が「ファントム振動」というアーティファクトを生成できることを報告しています

「主成分分析が好きですか？新論文が「ファントム振動」というアーティファクトの生成を報告！」

主成分分析（PCA）は、複雑なデータセットを単純化するために広く使用される統計的手法であり、オリジナルのデータセットには存在しないパターンである「幻の振動」を生成することが明らかにされました。以下を読んで、PCAを適用しているデータセットに関連する特徴がある場合に特に関連する情報をご覧ください。また、PCAの他の制限や欠点についても概観する機会となります。

導入

主成分分析（PCA）は、一連のオブジェクトを記述する入力変数をこれらの変数の線形組み合わせに射影し、可能な限り少ない変数で分散の説明を最大化しようとする次元削減の技術です。PCAは非常に広く使用されており、複雑なデータセットを簡素化するために用いられます。

PCAの詳細な動作方法については、以下をご覧ください：

• より良いOCRパフォーマンスを得るためのEasyOCRの微調整方法
• 「2023年のトップ8のAIトレンド：年間レビュー」
• ムーバブルインクのCEO兼共同創設者であるヴィヴェク・シャルマ氏についてのインタビュー・シリーズ

主成分分析の決定版ガイド

一度理解すれば永遠にわかるように、ブラウザで編集および実行できる低レベルコードを解説するチュートリアル…

towardsdatascience.com

しかし、この手法には欠点もあります。おそらく既に知っているか、少なくとも無意識的に知っているでしょうが、主成分の解釈の低さ（主成分は元のデータの特徴量の線形組み合わせですが、これらの組み合わせは解釈が容易ではありません）や情報の損失と次元削減の間にあるトレードオフ（次元削減に影響を与えます）については、PCAは入力変数間の線形関係を前提としており、アウトライヤーには頑健（まったくではありません）。さらに、実用的な面からは、PCAは連続変数にのみ適用することができ、欠損データで計算することはできません。

さて、今週、PNASに掲載された論文によると、PCAは「幻の振動」、つまり、処理されたデータに存在しないが、PCAの計算方法の数学的な結果として現れるパターンを生成することがわかりました。その研究…

We will continue to update VoAGI; if you have any questions or suggestions, please contact us!