論文の概要: Robust Persistence Diagrams using Reproducing Kernels
- arxiv url: http://arxiv.org/abs/2006.10012v2
- Date: Fri, 3 Jun 2022 19:56:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 20:44:55.272589
- Title: Robust Persistence Diagrams using Reproducing Kernels
- Title(参考訳): 再生カーネルを用いたロバスト永続図
- Authors: Siddharth Vishwanath and Kenji Fukumizu and Satoshi Kuriki and Bharath
Sriperumbudur
- Abstract要約: 我々は,カーネルを用いて構築した高レベル密度推定器のフィルタから,頑健な永続性図を構築するためのフレームワークを開発する。
本稿では,ベンチマークデータセットにおける提案手法の優位性を示す。
- 参考スコア(独自算出の注目度): 15.772439913138161
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Persistent homology has become an important tool for extracting geometric and
topological features from data, whose multi-scale features are summarized in a
persistence diagram. From a statistical perspective, however, persistence
diagrams are very sensitive to perturbations in the input space. In this work,
we develop a framework for constructing robust persistence diagrams from
superlevel filtrations of robust density estimators constructed using
reproducing kernels. Using an analogue of the influence function on the space
of persistence diagrams, we establish the proposed framework to be less
sensitive to outliers. The robust persistence diagrams are shown to be
consistent estimators in bottleneck distance, with the convergence rate
controlled by the smoothness of the kernel. This, in turn, allows us to
construct uniform confidence bands in the space of persistence diagrams.
Finally, we demonstrate the superiority of the proposed approach on benchmark
datasets.
- Abstract(参考訳): 永続ホモロジーは、データから幾何的および位相的特徴を抽出する重要なツールとなり、その多スケール特徴は永続化図にまとめられている。
しかし、統計的観点から見ると、永続図形は入力空間の摂動に非常に敏感である。
本研究では,再生カーネルを用いて構築したロバスト密度推定器の超レベルフィルタから頑健な永続化図を構築するためのフレームワークを開発した。
持続性ダイアグラムの空間における影響関数のアナログを用いて、提案したフレームワークは、外れ値に敏感でないように確立する。
頑健な永続図は、カーネルの滑らかさによって制御される収束率とともに、ボトルネック距離における一貫した推定子であることが示されている。
これにより、永続化ダイアグラムの空間に均一な信頼バンドを構築することができる。
最後に,ベンチマークデータセットに対する提案手法の優位性を示す。
関連論文リスト
- Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。
我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。
グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文 参考訳(メタデータ) (2023-11-29T12:48:33Z) - Robust Graph Neural Networks via Unbiased Aggregation [20.40814320483077]
グラフニューラルネットワーク(GNN)の敵対的堅牢性は、強い適応攻撃によって発見されたセキュリティの誤った感覚のために疑問視されている。
私たちは、その堅牢性と限界を理解するために、統一されたロバストな見積もりポイントを提供する。
論文 参考訳(メタデータ) (2023-11-25T05:34:36Z) - Intensity Profile Projection: A Framework for Continuous-Time
Representation Learning for Dynamic Networks [50.2033914945157]
本稿では、連続時間動的ネットワークデータのための表現学習フレームワークIntensity Profile Projectionを提案する。
このフレームワークは3つの段階から構成される: 対の強度関数を推定し、強度再構成誤差の概念を最小化する射影を学習する。
さらに、推定軌跡の誤差を厳密に制御する推定理論を開発し、その表現がノイズに敏感な追従解析に利用できることを示す。
論文 参考訳(メタデータ) (2023-06-09T15:38:25Z) - $k$-Means Clustering for Persistent Homology [0.0]
永続図空間上の$k$-meansクラスタリングアルゴリズムの収束性を証明する。
また、Karush--Kuhn--Tucker フレームワークにおける最適化問題の解の理論的性質も確立する。
論文 参考訳(メタデータ) (2022-10-18T17:18:51Z) - Robust Topological Inference in the Presence of Outliers [18.6112824677157]
コンパクト集合への距離関数は、位相データ解析のパラダイムにおいて重要な役割を果たす。
ハウスドルフ距離における摂動に対する安定性にもかかわらず、永続ホモロジーは外れ値に対して非常に敏感である。
距離関数(textsfMoM Dist$)の$textitmedian-of-means$変種を提案し、その統計特性を確立する。
論文 参考訳(メタデータ) (2022-06-03T19:45:43Z) - Data-heterogeneity-aware Mixing for Decentralized Learning [63.83913592085953]
グラフの混合重みとノード間のデータ不均一性の関係に収束の依存性を特徴付ける。
グラフが現在の勾配を混合する能力を定量化する計量法を提案する。
そこで本研究では,パラメータを周期的かつ効率的に最適化する手法を提案する。
論文 参考訳(メタデータ) (2022-04-13T15:54:35Z) - Stability of Neural Networks on Manifolds to Relative Perturbations [118.84154142918214]
グラフニューラルネットワーク(GNN)は多くの実践シナリオにおいて素晴らしいパフォーマンスを示している。
GNNは大規模グラフ上でうまくスケールすることができるが、これは既存の安定性がノード数とともに増加するという事実に矛盾する。
論文 参考訳(メタデータ) (2021-10-10T04:37:19Z) - A Domain-Oblivious Approach for Learning Concise Representations of
Filtered Topological Spaces [7.717214217542406]
本稿では永続化図のバイナリコード表現を学習する永続化図ハッシュフレームワークを提案する。
このフレームワークは、学習過程を制御するための図距離損失関数を備えた生成逆ネットワーク(GAN)上に構築されている。
提案手法は,モデルの再学習を必要とせずに,様々なデータセットに直接適用することができる。
論文 参考訳(メタデータ) (2021-05-25T20:44:28Z) - A Fast and Robust Method for Global Topological Functional Optimization [70.11080854486953]
本稿では, より高速で, より安定で, より堅牢なバックプロパゲーション手法を提案する。
このスキームは、永続化ダイアグラム内のドットの安定な可視化を、データ構造におけるクリティカルでほぼクリティカルな簡易な分布として作成するためにも使用できる。
論文 参考訳(メタデータ) (2020-09-17T18:46:16Z) - Efficient Robustness Certificates for Discrete Data: Sparsity-Aware
Randomized Smoothing for Graphs, Images and More [85.52940587312256]
本稿では,初期作業を想定したランダム化平滑化フレームワークに基づくモデル非依存の証明書を提案する。
このアプローチがさまざまなモデル、データセット、タスクに対して有効であることを示します。
論文 参考訳(メタデータ) (2020-08-29T10:09:02Z) - Understanding the Power of Persistence Pairing via Permutation Test [13.008323851750442]
グラフデータと形状データの両方で様々な実験を行い、関連する要因を分離し、調査することを目的としている。
グラフ分類タスクでは、パーシステンスペアリングは様々なベンチマークデータセットに対して一貫した改善をもたらすが、ほとんどの識別力は臨界値から得られる。
しかし,形状のセグメンテーションや分類については,ほとんどのベンチマークデータセットにおいて永続性ペアリングが大きな効果を発揮することに留意する。
論文 参考訳(メタデータ) (2020-01-16T20:13:20Z)
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。