論文の概要: Xtreaming: an incremental multidimensional projection technique and its
application to streaming data
- arxiv url: http://arxiv.org/abs/2003.09017v1
- Date: Sun, 8 Mar 2020 04:53:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-25 14:42:47.418089
- Title: Xtreaming: an incremental multidimensional projection technique and its
application to streaming data
- Title（参考訳）: Xtreaming: インクリメンタル多次元投影法とそのストリーミングデータへの応用
- Authors: T\'acito T. A. T. Neves, Rafael M. Martins, Danilo B. Coimbra,
Kostiantyn Kucher, Andreas Kerren, Fernando V. Paulovich
- Abstract要約: Xtreamingは、視覚表現を連続的に更新して新しい構造やパターンを反映し、複数の多次元データにアクセスすることなく、新たなインクリメンタルプロジェクション技術である。
実験の結果,Xtreamingは,他のストリーミングやインクリメンタル技術と比較して,グローバルな距離保存の点で競争力があることがわかった。
- 参考スコア（独自算出の注目度）: 58.92615359254597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Streaming data applications are becoming more common due to the ability of
different information sources to continuously capture or produce data, such as
sensors and social media. Despite recent advances, most visualization
approaches, in particular, multidimensional projection or dimensionality
reduction techniques, cannot be directly applied in such scenarios due to the
transient nature of streaming data. Currently, only a few methods address this
limitation using online or incremental strategies, continuously processing
data, and updating the visualization. Despite their relative success, most of
them impose the need for storing and accessing the data multiple times, not
being appropriate for streaming where data continuously grow. Others do not
impose such requirements but are not capable of updating the position of the
data already projected, potentially resulting in visual artifacts. In this
paper, we present Xtreaming, a novel incremental projection technique that
continuously updates the visual representation to reflect new emerging
structures or patterns without visiting the multidimensional data more than
once. Our tests show that Xtreaming is competitive in terms of global distance
preservation if compared to other streaming and incremental techniques, but it
is orders of magnitude faster. To the best of our knowledge, it is the first
methodology that is capable of evolving a projection to faithfully represent
new emerging structures without the need to store all data, providing reliable
results for efficiently and effectively projecting streaming data.
- Abstract（参考訳）: ストリーミングデータアプリケーションは,センサやソーシャルメディアなどのデータを連続的にキャプチャないし生成するさまざまな情報ソースの能力によって,より一般的になっています。
近年の進歩にもかかわらず、ほとんどの可視化手法、特に多次元投影や次元縮小技術は、ストリーミングデータの過渡的性質のため、そのようなシナリオでは直接適用できない。
現在、オンラインまたはインクリメンタル戦略を使用してこの制限に対処し、データを継続的に処理し、視覚化を更新しているメソッドはわずかである。
相対的な成功にもかかわらず、その多くはデータの保存とアクセスを複数回必要としており、データが継続的に成長するストリーミングには適していない。
このような要件を課すものはありませんが、すでに投影されているデータの位置を更新することはできません。
本稿では,多次元データを複数回参照することなく,新たに出現する構造やパターンを反映した視覚表現を連続的に更新する,新たなインクリメンタルプロジェクション手法であるxtreamingを提案する。
実験の結果,Xtreamingは,他のストリーミングやインクリメンタル手法と比較して,グローバルな距離保存の面では競争力があることがわかった。
我々の知る限りでは、すべてのデータを保存せずに新しい構造を忠実に表現するプロジェクションを進化させることのできる最初の方法論であり、ストリーミングデータを効率的に効果的に投影するための信頼性の高い結果を提供する。
関連論文リスト
- High-Dimensional Distributed Sparse Classification with Scalable Communication-Efficient Global Updates [50.406127962933915]
我々はコミュニケーション効率のよい分散ロジスティック回帰モデルを学ぶことができる問題に対する解決策を開発する。
実験では、いくつかの分散更新ステップだけで、分散アルゴリズムよりも精度が大幅に向上することを示した。
論文 参考訳（メタデータ） (2024-07-08T19:34:39Z) - Iterative Forgetting: Online Data Stream Regression Using Database-Inspired Adaptive Granulation [1.6874375111244329]
本稿では、R*木からインスピレーションを得て、入ってくるデータストリームからグラニュラーを生成するデータベースインスピレーション付きデータストリーム回帰モデルを提案する。
実験により、この手法がデータを破棄する能力は、レイテンシとトレーニング時間において大幅に改善されることが示された。
論文 参考訳（メタデータ） (2024-03-14T17:26:00Z) - Segue: Side-information Guided Generative Unlearnable Examples for
Facial Privacy Protection in Real World [64.4289385463226]
生成不可能な例としては、Segue: Side-information guided Generative unlearnable Exampleを提案する。
転送性を向上させるために,真のラベルや擬似ラベルなどの側面情報を導入する。
JPEG圧縮、敵対的トレーニング、およびいくつかの標準的なデータ拡張に抵抗することができる。
論文 参考訳（メタデータ） (2023-10-24T06:22:37Z) - Fast Non-Rigid Radiance Fields from Monocularized Data [66.74229489512683]
本稿では,不規則に変形するシーンを360度内向きに合成する新しい手法を提案する。
提案手法のコアとなるのは, 空間情報と時間情報の処理を分離し, 訓練と推論を高速化する効率的な変形モジュール, 2) 高速ハッシュ符号化ニューラルラジオアンスフィールドとしての標準シーンを表す静的モジュールである。
どちらの場合も,本手法は従来の手法よりもはるかに高速で,7分未満で収束し,1K解像度でリアルタイムのフレームレートを実現するとともに,生成した新規なビューに対して高い視覚的精度が得られる。
論文 参考訳（メタデータ） (2022-12-02T18:51:10Z) - A Feature-space Multimodal Data Augmentation Technique for Text-video
Retrieval [16.548016892117083]
近年,テキストビデオ検索手法が注目されている。
データ拡張技術は、目に見えないテスト例のパフォーマンスを向上させるために導入された。
特徴空間で機能し,意味的に類似したサンプルを混合して新しいビデオやキャプションを生成するマルチモーダルデータ拡張手法を提案する。
論文 参考訳（メタデータ） (2022-08-03T14:05:20Z) - DC-BENCH: Dataset Condensation Benchmark [79.18718490863908]
この研究は、データセットの凝縮に関する最初の大規模標準ベンチマークを提供する。
それは、凝縮法の生成可能性と有効性を包括的に反映する一連の評価から成り立っている。
ベンチマークライブラリは、将来の研究とアプリケーションを容易にするためにオープンソース化されている。
論文 参考訳（メタデータ） (2022-07-20T03:54:05Z) - Metric Based Few-Shot Graph Classification [18.785949422663233]
少ないショットの学習では、有効性を放棄することなく、不足するデータレシエーションに現代的なディープラーニングモデルを採用することができる。
本研究では,最先端グラフ埋め込みを用いた単純な距離メトリック学習ベースラインにより,タスクの競合的な結果が得られることを示す。
また,MixUpをベースとしたオンラインデータ拡張手法を提案する。
論文 参考訳（メタデータ） (2022-06-08T06:29:46Z) - MemStream: Memory-Based Anomaly Detection in Multi-Aspect Streams with
Concept Drift [20.143379054091536]
本稿では,ストリーミングマルチアスペクト異常検出フレームワークであるMemStreamを提案する。
我々はデノナイズドオートエンコーダのパワーを活用して表現とメモリモジュールを学習し、データの動的に変化する傾向を学習する。
実験により,最先端のストリーミングベースラインと比較して,本手法の有効性が示された。
論文 参考訳（メタデータ） (2021-06-07T17:54:57Z) - Adversarial Knowledge Transfer from Unlabeled Data [62.97253639100014]
本稿では,インターネット規模の未ラベルデータから知識を伝達し,分類器の性能を向上させるための新しいAdversarial Knowledge Transferフレームワークを提案する。
我々の手法の重要な新しい側面は、ラベル付けされていないソースデータは、ラベル付けされたターゲットデータと異なるクラスであることができ、個別のプリテキストタスクを定義する必要がないことである。
論文 参考訳（メタデータ） (2020-08-13T08:04:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。