論文の概要: Nonlinear Dimensionality Reduction for Data Visualization: An
Unsupervised Fuzzy Rule-based Approach
- arxiv url: http://arxiv.org/abs/2004.03922v1
- Date: Wed, 8 Apr 2020 10:33:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 08:28:30.031117
- Title: Nonlinear Dimensionality Reduction for Data Visualization: An
Unsupervised Fuzzy Rule-based Approach
- Title（参考訳）: データ可視化のための非線形次元化:教師なしファジィ規則に基づくアプローチ
- Authors: Suchismita Das and Nikhil R. Pal
- Abstract要約: 本稿では,主にデータ可視化のための教師なしファジィ規則に基づく次元削減手法を提案する。
入力データ中のクラスタを用いて,一階の高木-菅野型モデルを用いてルール前駆体を生成する。
提案手法を3つの実世界のデータセットと3つの実世界のデータセットに適用し、その結果を他の4つの標準データ可視化手法と視覚的に比較する。
- 参考スコア（独自算出の注目度）: 5.5612170847190665
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Here, we propose an unsupervised fuzzy rule-based dimensionality reduction
method primarily for data visualization. It considers the following important
issues relevant to dimensionality reduction-based data visualization: (i)
preservation of neighborhood relationships, (ii) handling data on a non-linear
manifold, (iii) the capability of predicting projections for new test data
points, (iv) interpretability of the system, and (v) the ability to reject test
points if required. For this, we use a first-order Takagi-Sugeno type model. We
generate rule antecedents using clusters in the input data. In this context, we
also propose a new variant of the Geodesic c-means clustering algorithm. We
estimate the rule parameters by minimizing an error function that preserves the
inter-point geodesic distances (distances over the manifold) as Euclidean
distances on the projected space. We apply the proposed method on three
synthetic and three real-world data sets and visually compare the results with
four other standard data visualization methods. The obtained results show that
the proposed method behaves desirably and performs better than or comparable to
the methods compared with. The proposed method is found to be robust to the
initial conditions. The predictability of the proposed method for test points
is validated by experiments. We also assess the ability of our method to reject
output points when it should. Then, we extend this concept to provide a general
framework for learning an unsupervised fuzzy model for data projection with
different objective functions. To the best of our knowledge, this is the first
attempt to manifold learning using unsupervised fuzzy modeling.
- Abstract（参考訳）: 本稿では、主にデータ可視化のための教師なしファジィ規則に基づく次元削減手法を提案する。
次元縮小に基づくデータの可視化に関する重要な課題について考察する。
(i)近隣関係の保存
(ii)非線形多様体上のデータを扱うこと。
(iii)新規テストデータポイントの投影予測能力
(iv)システムの解釈可能性、及び
(v)必要であれば、テストポイントを拒否する能力。
そのため、一階の高木-菅野型モデルを用いる。
入力データ中のクラスタを用いてルール前駆体を生成する。
この文脈では、Geodesic c-meansクラスタリングアルゴリズムの新しい変種も提案する。
本研究では,射影空間上のユークリッド距離として,点間測地距離(多様体上の距離)を保存する誤差関数を最小化し,規則パラメータを推定する。
提案手法を3つの合成データと3つの実世界のデータセットに適用し,他の4つの標準データ可視化手法との比較を行った。
得られた結果から,提案手法は好ましく振る舞うことができ,比較手法に匹敵する性能を示す。
提案手法は初期条件に対して堅牢であることがわかった。
提案手法の試験点に対する予測可能性について実験により検証した。
また,提案手法が出力ポイントを拒否する能力も評価する。
そして、この概念を拡張し、異なる目的関数を持つデータ投影のための教師なしファジィモデルを学習するための一般的なフレームワークを提供する。
我々の知る限りでは、これは教師なしファジィモデリングを用いた多様体学習の最初の試みである。
関連論文リスト
- Efficient Prior Calibration From Indirect Data [5.588334720483076]
本稿では,データから先行モデルを学習すること,特にノイズ観測プロセスを通じて得られた間接データの多元的実現から先行モデルを学習することに関心がある。
フォワードモデルの効率的な残差ベースニューラル演算子近似を提案し,これをプッシュフォワードマップと同時学習できることを示した。
論文 参考訳（メタデータ） (2024-05-28T08:34:41Z) - DF2: Distribution-Free Decision-Focused Learning [53.2476224456902]
決定中心学習(DFL)は近年,予測最適化問題に対する強力なアプローチとして出現している。
既存のエンドツーエンドDFL法は、モデル誤差、サンプル平均近似誤差、予測対象の分布に基づくパラメータ化の3つの重大なボトルネックによって妨げられている。
DF2は,これら3つのボトルネックに明示的に対処するために設計された,初となるテキストフリーな意思決定型学習手法である。
論文 参考訳（メタデータ） (2023-08-11T00:44:46Z) - Normal Transformer: Extracting Surface Geometry from LiDAR Points
Enhanced by Visual Semantics [6.516912796655748]
本稿では,3次元点雲と2次元カラー画像から正規分布を推定する手法を提案する。
我々は,視覚的セマンティクスと3次元幾何データのハイブリッド情報を活用することを学ぶトランスフォーマーニューラルネットワークを開発した。
論文 参考訳（メタデータ） (2022-11-19T03:55:09Z) - Laplacian-based Cluster-Contractive t-SNE for High Dimensional Data
Visualization [20.43471678277403]
本稿では t-SNE に基づく新しいグラフベース次元削減手法 LaptSNE を提案する。
具体的には、LaptSNEはグラフラプラシアンの固有値情報を利用して、低次元埋め込みにおけるポテンシャルクラスタを縮小する。
ラプラシアン合成目的による最適化を考える際には、より広い関心を持つであろう勾配を解析的に計算する方法を示す。
論文 参考訳（メタデータ） (2022-07-25T14:10:24Z) - 6D Rotation Representation For Unconstrained Head Pose Estimation [2.1485350418225244]
本研究は, 基底真理データに対する回転行列形式を導入して, あいまいな回転ラベルの問題に対処する。
このようにして、提案手法は、ポーズ予測を狭角に制限する従来のアプローチとは正反対に、全回転の外観を学習することができる。
AFLW2000およびBIWIデータセットを用いた実験により,提案手法が他の最先端手法よりも最大20%高い性能を示した。
論文 参考訳（メタデータ） (2022-02-25T08:41:13Z) - Riemannian classification of EEG signals with missing values [67.90148548467762]
本稿では脳波の分類に欠落したデータを扱うための2つの方法を提案する。
第1のアプローチでは、インプットされたデータと$k$-nearestの隣人アルゴリズムとの共分散を推定し、第2のアプローチでは、期待最大化アルゴリズム内で観測データの可能性を活用することにより、観測データに依存する。
その結果, 提案手法は観測データに基づく分類よりも優れており, 欠落したデータ比が増大しても高い精度を維持することができることがわかった。
論文 参考訳（メタデータ） (2021-10-19T14:24:50Z) - Bayesian Imaging With Data-Driven Priors Encoded by Neural Networks:
Theory, Methods, and Algorithms [2.266704469122763]
本稿では,事前知識がトレーニングデータとして利用可能である逆問題に対して,ベイズ推定を行う新しい手法を提案する。
容易に検証可能な条件下で,関連する後方モーメントの存在と適切性を確立する。
モデル精度解析により、データ駆動モデルによって報告されるベイズ確率は、頻繁な定義の下で著しく正確であることが示された。
論文 参考訳（メタデータ） (2021-03-18T11:34:08Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳（メタデータ） (2020-09-01T15:08:23Z) - S^3-Rec: Self-Supervised Learning for Sequential Recommendation with
Mutual Information Maximization [104.87483578308526]
本稿では,シーケンスレコメンデーションのための自己改善学習のためのモデルS3-Recを提案する。
そこで本稿では,属性,項目,サブシーケンス,シーケンス間の相関関係を学習するために,4つの補助的自己教師対象を考案する。
6つの実世界のデータセットで実施された大規模な実験は、既存の最先端手法よりも提案手法が優れていることを示す。
論文 参考訳（メタデータ） (2020-08-18T11:44:10Z) - Learning while Respecting Privacy and Robustness to Distributional
Uncertainties and Adversarial Data [66.78671826743884]
分散ロバストな最適化フレームワークはパラメトリックモデルのトレーニングのために検討されている。
目的は、逆操作された入力データに対して頑健なトレーニングモデルを提供することである。
提案されたアルゴリズムは、オーバーヘッドがほとんどない堅牢性を提供する。
論文 参考訳（メタデータ） (2020-07-07T18:25:25Z) - Deep Dimension Reduction for Supervised Representation Learning [51.10448064423656]
本研究は,本質的な特徴を持つ学習表現の次元削減手法を提案する。
提案手法は, 十分次元還元法の非パラメトリック一般化である。
推定された深度非パラメトリック表現は、その余剰リスクが0に収束するという意味で一貫したものであることを示す。
論文 参考訳（メタデータ） (2020-06-10T14:47:43Z)
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。