Covariance-free Partial Least Squares: An Incremental Dimensionality Reduction Method

Jordão, Artur; Lie, Maiko; Melo, Victor Hugo Cunha de; Schwartz, William Robson

doi:10.1109/wacv48630.2021.00146

Cited by 2 publications

(2 citation statements)

References 25 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Berdasarkan pada kompleksitas waktu, metode KTP yang dilakukan sebanyak 𝑇 kali berada dalam orde kompleksitas 𝑂(𝑘 × 𝑚 × 𝑇) dengan 𝑚 menyatakan jumlah observasi dari sampel dan 𝑘 menyatakan jumlah komponen KTP yang digunakan [19]. Terkait dengan ini, dapat terlihat bahwa untuk sampel yang semakin besar, maka waktu yang dibutuhkan untuk menjalankan 1 kali perhitungan dari metode ini akan menjadi semakin lama.…”

Section: B Metode Kuadrat Terkecil Parsialunclassified

Algoritma Pendeteksi Kerusakan Struktur Bangunan Berbasis Korelasi Jarak dan Metode Kuadrat Terkecil Parsial

Tjen

2022

JEPIN

View full text Add to dashboard Cite

Sering kali, sebuah kerusakan struktur yang masif terjadi karena pengabaian terhadap kerusakan kecil. Kejadian malang ini kemudian menimbulkan berbagai kerugiaan, baik secara material maupun korban jiwa. Oleh karena itu, dirasa penting untuk dapat mendeteksi kerusakan dari sebuah struktur sedini mungkin untuk mencegah terjadinya hal yang tidak diinginkan. Penelitian ini menggagas sebuah algoritma pendektesi kerusakan struktur bangunan berbasiskan pada metode korelasi jarak dan kuadrat terkecil parsial. algoritma ini berfokuskan pada pemilihan sekelompok sensor yang dapat bekerja secara optimal berdasarkan pada perhitungan korelasi jarak. Berdasarkan pada percobaan pada data experimental dari sebuah struktur jembatan, algoritma yang digagas dapat mengurangi jumlah akselerometer yang diperlukan hingga 80% untuk menyusun model prediktif tanpa mengurangi atau bahkan meningkatkan akurasi dari model prediktif akselerometer sebesar 1 hingga 1,3%. Lebih lanjut, algoritma yang digagas dapat mendekteksi keberadaan kerusakan struktur dengan baik, serta mampu mengkarakterisasi tingkat kerusakan dari struktur berdasarkan pada perubahan standar deviasi dari residu kuadrat.

show abstract

Section: B Metode Kuadrat Terkecil Parsialunclassified

Algoritma Pendeteksi Kerusakan Struktur Bangunan Berbasis Korelasi Jarak dan Metode Kuadrat Terkecil Parsial

Tjen

2022

JEPIN

View full text Add to dashboard Cite

show abstract

“…Some covariance-free methods have been previously proposed to improve other dimensionality reduction methods. For example, IPCA was proposed by Weng et al (2003) and Yousefi et al (2017) , iterative Kernal PCA proposed by Liao et al (2010) , incremental PCALDA by Dagher (2010) , covariance free partial least squares by Jordao et al (2021) . Instead of working with covariance matrices, all these methods achieve dimensionality reduction without computing and saving covariance matrix, which decreases required memory to O ( n ).…”

Section: Introductionmentioning

confidence: 99%

Stepwise Covariance-Free Common Principal Components (CF-CPC) With an Application to Neuroscience

Riaz

Razzaq

Hu³

et al. 2021

Front. Neurosci.

View full text Add to dashboard Cite

Finding the common principal component (CPC) for ultra-high dimensional data is a multivariate technique used to discover the latent structure of covariance matrices of shared variables measured in two or more k conditions. Common eigenvectors are assumed for the covariance matrix of all conditions, only the eigenvalues being specific to each condition. Stepwise CPC computes a limited number of these CPCs, as the name indicates, sequentially and is, therefore, less time-consuming. This method becomes unfeasible when the number of variables p is ultra-high since storing k covariance matrices requires O(kp2) memory. Many dimensionality reduction algorithms have been improved to avoid explicit covariance calculation and storage (covariance-free). Here we propose a covariance-free stepwise CPC, which only requires O(kn) memory, where n is the total number of examples. Thus for n < < p, the new algorithm shows apparent advantages. It computes components quickly, with low consumption of machine resources. We validate our method CFCPC with the classical Iris data. We then show that CFCPC allows extracting the shared anatomical structure of EEG and MEG source spectra across a frequency range of 0.01–40 Hz.

show abstract

Covariance-free Partial Least Squares: An Incremental Dimensionality Reduction Method

Cited by 2 publications

References 25 publications

Algoritma Pendeteksi Kerusakan Struktur Bangunan Berbasis Korelasi Jarak dan Metode Kuadrat Terkecil Parsial

Algoritma Pendeteksi Kerusakan Struktur Bangunan Berbasis Korelasi Jarak dan Metode Kuadrat Terkecil Parsial

Stepwise Covariance-Free Common Principal Components (CF-CPC) With an Application to Neuroscience

Contact Info

Product

Resources

About