ESCALONAMENTO MULTIDIMENSIONAL LOCAL: UMA ABORDAGEM VIA SUAVIZAÇÃO HIPERBÓLICA

Autores

  • Vinícius Layter Xavier Universidade do Estado do Rio de Janeiro, Instituto de Matemática e Estatística, Departamento de Estatística https://orcid.org/0000-0002-7290-0652
  • Nelson Maculan Universidade Federal do Rio de Janeiro, COPPE, Programa de Engenharia de Sistemas e Computação https://orcid.org/0000-0002-3897-3356
  • José Francisco Moreira Pessanha Universidade do Estado do Rio de Janeiro, Instituto de Matemática e Estatística, Departamento de Estatística https://orcid.org/0000-0002-7134-2388
  • Marcello Montillo Provenza Universidade do Estado do Rio de Janeiro, Instituto de Matemática e Estatística, Departamento de Estatística

DOI:

https://doi.org/10.12957/cadest.2018.36483

Palavras-chave:

Local MDS, Redução de Dimemsionalidade, Estatística Multivariada, Programa R

Resumo

DOI:10.12957/cadest.2018.36483

Este artigo apresenta uma nova abordagem para o método Escalonamento Multidimensional Local. Este método de redução de dimensionalidade é da classe de escalonamento multidimensional métrico e possui a característica de ser não diferenciável. Com o emprego da suavização hiperbólica é proposta uma formulação suavizada e um novo algoritmo. Resultados computacionais obtidos na resolução de problemas teste clássicos são apresentados e mostram a eficácia da proposta em comparação com os disponíveis na literatura.

Palavras-chave: Local MDS; Redução de Dimemsionalidade; Estatística Multivariada; Programa R.

Referências

BAGIROV, A. M., AL NUAIMAT, A., SULTANOVA, N. Hyperbolic Smoothing Function Method for Minimax Problems. Optimization, 62(6), 759-782, 2013.

BORG, I., GROENEN, P. Modern Multidimensional Scaling: Theory and Applications. New York, NY 10013, 2005.

BORG, I., GROENEN, P. J., MAIR, P. Applied Multidimensional Scaling and Unfolding. New York, NY: Springer, 2017.

COX, T. F., COX, M. A. A. Multidimensional Scaling, Chapman & Hall, 2000.

BUJA, A. Local Multidimensional Scaling for Nonlinear Dimension Reduction, Graph Drawing, and Proximity Analysis, Journal of the American Statistical Association, 104(485), pp. 209-219, 2009.

CHEN, L., BUJA, A. Local Multidimensional Scaling for Nonlinear Dimension Reduction, Graph Layout and Proximity Analysis (Doctoral Dissertation) University of Pennsylvania, 2006, http://www-stat. wharton. upenn. edu/buja/PAPERS/lmds-chen-buja. pdf.

FRANCE, S. L., CARROLL, J. D. Two-Way Multidimensional Scaling: A Review. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 41(5), 644-661, 2011.

FRIEDMAN, J., HASTIE, T., TIBSHIRANI, R. The Elements of Statistical Learning (Vol. 1, No. 10). New York, NY, USA: Springer Series in Statistics, 2001.

GRACIA, A., GONZÁLEZ, S., ROBLES, V., MENASALVAS, E. A Methodology to Compare Dimensionality Reduction Algorithms in Terms of Loss of Quality. Information Sciences, 270, 1-27, 2014.

LEEUW, J.D., MAIR, P., Multidimensional Scaling Using Majorization: SMACOF in R, Journal of Statistical Software, 31(3), pp. 1-30, 2009. URL http://www.jstatsoft.org/v31/i03/.

LEE, J. A., VERLEYSEN, M. Nonlinear Dimensionality Reduction. Springer Science & Business Media, 2007.

LUBKE, D. C., XAVIER, V. L., VENCESLAU, H. M., XAVIER, A. E. Flying Elephants Method Applied to the Problem of Covering Solid Bodies with Spheres. International Journal of Metaheuristics, 7(1), 30-42, 2018.

LUENBERGER, D. G., YE, Y. Linear and Nonlinear Programming. International Series in Operations Research & Management Science. Springer, Berlin. doi, 10, 978-0, 2008.

R Core Team. R: A Language and Environment for Statistical Computing. R Foundation for Statistical Computing, Vienna, Austria. 2014. URL http://www.R-project.org/.

TENENBAUM, J.B., DE SILVA, V., LANGFORD, J.C. A Global Geometric Framework for Nonlinear Dimensionality Reduction, Science 290, n. 5500, pp. 2319–2323, 2000.

ROWEIS, S. T., SAUL, L. K. Nonlinear Dimensionality reduction by Local Linear Embedding, Science 290, pp. 2323–2326, 2000.

SAMMON, J.W. A Nonlinear Mapping for Data Structure Analysis, IEEE Transactions on Computers, 18(5), pp.401-409, 1969.

VENABLES, W.N., RIPLEY, B.D. Modern Applied Statistics with S-PLUS, Springer Science & Business Media, 2013.

VENNA, J., PELTONEN, J., NYBO, K., AIDOS, H., & KASKI, S. Information Retrieval Perspective to Nonlinear Dimensionality Reduction for Data Visualization. Journal of Machine Learning Research, 11(Feb), 451-490, 2010.

XAVIER, A.E., XAVIER, V.L. Solving The Minimum Sum-Of-Squares Clustering Problem by Hyperbolic Smoothing and Partition into Boundary and Gravitational Regions, Pattern Recognition, v. 44, pp. 70-77, 2011.

XAVIER, A.E., GESTEIRA, C.M., XAVIER, V.L. Solving the Continuous Multiple Allocation P-Hub Median Problem by the Hyperbolic Smoothing Approach, Optimization, 64(12), pp.2631-2647, 2015.

XAVIER, V.L. Resolução do Problema de Agrupamento segundo o Critério de Minimização da Soma das Distâncias, (Dissertação de Mestrado) COPPE - UFRJ, Rio de Janeiro, 2012.

XAVIER, V. L., FRANÇA, F. M., XAVIER, A. E., LIMA, P. M., A Hyperbolic Smoothing Approach to the Multisource Weber Problem, Journal of Global Optimization, 60(1), pp.49-58, 2014a.

XAVIER, A.E., XAVIER, V.L., Flying Elephants: A General Method for Solving Non-Differentiable Problems, Journal of Heuristics, pp.1-16, 2014.

XAVIER, V.L. Uma Abordagem Eficiente Para Métodos Não Lineares de Redução de Dimensionalidade e uma Nova Metodologia Supervisionada para Redução de Dimensionalidade Baseada em Protótipos, (Tese de Doutorado), COPPE - UFRJ, Rio de Janeiro, 2016.

WITTEN, D.M., TIBSHIRANI, R. Supervised Multidimensional Scaling for Visualization, Classification, and Bipartite Ranking, Computational Statistics & Data Analysis, 55(1), pp. 789-801, 2011.

Downloads

Publicado

2018-12-03

Como Citar

Xavier, V. L., Maculan, N., Pessanha, J. F. M., & Provenza, M. M. (2018). ESCALONAMENTO MULTIDIMENSIONAL LOCAL: UMA ABORDAGEM VIA SUAVIZAÇÃO HIPERBÓLICA. Cadernos Do IME - Série Estatística, 44, 37. https://doi.org/10.12957/cadest.2018.36483

Edição

Seção

Artigos Serie Estatística