論文の概要: Robust Group Subspace Recovery: A New Approach for Multi-Modality Data Fusion

• arxiv url: http://arxiv.org/abs/2006.10657v1
• Date: Thu, 18 Jun 2020 16:31:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 12:57:10.605265
• Title: Robust Group Subspace Recovery: A New Approach for Multi-Modality Data Fusion
• Title（参考訳）: robust group subspace recovery: マルチモダリティデータ融合のための新しいアプローチ
• Authors: Sally Ghanem, Ashkan Panahi, Hamid Krim, and Ryan A. Kerekes
• Abstract要約: 本稿では,グループ間隔に基づく新しいマルチモーダルデータ融合手法を提案する。 提案手法は、異なるモダリティデータ間の構造的依存関係を利用して、関連する対象オブジェクトをクラスタ化する。 得られたUoS構造を用いて、新たに観測されたデータポイントを分類し、提案手法の抽象化能力を強調する。
• 参考スコア（独自算出の注目度）: 18.202825916298437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Robust Subspace Recovery (RoSuRe) algorithm was recently introduced as a principled and numerically efficient algorithm that unfolds underlying Unions of Subspaces (UoS) structure, present in the data. The union of Subspaces (UoS) is capable of identifying more complex trends in data sets than simple linear models. We build on and extend RoSuRe to prospect the structure of different data modalities individually. We propose a novel multi-modal data fusion approach based on group sparsity which we refer to as Robust Group Subspace Recovery (RoGSuRe). Relying on a bi-sparsity pursuit paradigm and non-smooth optimization techniques, the introduced framework learns a new joint representation of the time series from different data modalities, respecting an underlying UoS model. We subsequently integrate the obtained structures to form a unified subspace structure. The proposed approach exploits the structural dependencies between the different modalities data to cluster the associated target objects. The resulting fusion of the unlabeled sensors' data from experiments on audio and magnetic data has shown that our method is competitive with other state of the art subspace clustering methods. The resulting UoS structure is employed to classify newly observed data points, highlighting the abstraction capacity of the proposed method.
• Abstract（参考訳）: ロバスト部分空間リカバリ (rosure) アルゴリズムは、データに存在する部分空間(uos)構造の基本和を展開する原理的かつ数値的に効率的なアルゴリズムとして最近導入された。 部分空間の結合(uos)は、単純な線形モデルよりもデータセットのより複雑なトレンドを識別することができる。 我々は、異なるデータモダリティの構造を個別に予測するために、RoSuReを構築して拡張する。 本稿では,ロバスト群部分空間リカバリ (rogsure) と呼ぶ群スパーシティに基づく,新しいマルチモーダルデータ融合手法を提案する。 導入したフレームワークは,両スパーシティ追従パラダイムと非滑らかな最適化手法に基づいて,基礎となるUoSモデルに関して,異なるデータモダリティから時系列の新しい共同表現を学習する。 その後、得られた構造を統合して統一部分空間構造を形成する。 提案手法は、異なるモダリティデータ間の構造的依存関係を利用して、関連する対象オブジェクトをクラスタ化する。 音響および磁気データを用いた実験から得られたラベルなしセンサデータの融合により,本手法は,他のサブスペースクラスタリング手法と競合することを示す。 得られたuos構造を用いて新たに観測したデータポイントを分類し,提案手法の抽象化能力に着目した。

関連論文リスト

• ComboStoc: Combinatorial Stochasticity for Diffusion Generative Models [65.82630283336051]
  拡散生成モデルの既存のトレーニングスキームにより,次元と属性の組み合わせによって区切られた空間が十分に標本化されていないことを示す。 構造を完全に活用するプロセスを構築し,ComboStocという名前でこの問題に対処する。
  論文  参考訳（メタデータ） (2024-05-22T15:23:10Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• Exploiting Data Hierarchy as a New Modality for Contrastive Learning [0.0]
  この研究は、階層的に構造化されたデータが、ニューラルネットワークが大聖堂の概念的な表現を学ぶのにどのように役立つかを研究する。 基礎となるWikiScenesデータセットは、大聖堂の構成要素の空間的に整理された階層構造を提供する。 本稿では,エンコーダの潜伏空間におけるデータ空間階層を表現するために,三重項マージン損失を利用した新しい階層的コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T21:47:49Z)
• Joint Distributional Learning via Cramer-Wold Distance [0.7614628596146602]
  高次元データセットの共分散学習を容易にするために,クレーマー-ウォルド距離正規化を導入し,クレーマー-ウォルド距離正規化法を提案する。 また、フレキシブルな事前モデリングを可能にする2段階学習手法を導入し、集約後と事前分布のアライメントを改善する。
  論文  参考訳（メタデータ） (2023-10-25T05:24:23Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• Unified Multi-View Orthonormal Non-Negative Graph Based Clustering Framework [74.25493157757943]
  我々は,非負の特徴特性を活用し,多視点情報を統合された共同学習フレームワークに組み込む,新しいクラスタリングモデルを定式化する。 また、深層機能に基づいたクラスタリングデータに対するマルチモデル非負グラフベースのアプローチを初めて検討する。
  論文  参考訳（メタデータ） (2022-11-03T08:18:27Z)
• Fusion Subspace Clustering for Incomplete Data [0.0]
  本稿では,大規模かつ不完全なデータに近似した低次元構造を学習する新しい手法であるEm fusion Subspace Clusteringを紹介する。 提案手法では,ノイズを直接考慮し,情報理論の限界に近づいた。 実データと合成データに関する広範な実験を通して、我々のアプローチは、完全なデータで最先端と互換性があり、データが欠落している場合、劇的に改善されていることを示す。
  論文  参考訳（メタデータ） (2022-05-22T17:23:41Z)
• Information Fusion: Scaling Subspace-Driven Approaches [16.85310886805588]
  我々は、畳み込みニューラルネットワーク(CNN)形式を用いて、情報のグループ部分空間分布を強固に活用するために、マルチモーダルデータの深い構造を利用する。 Deep Multimodal Robust Group Subspace Clustering (DRoGSuRe) と呼ばれるこの手法は、独立に開発されたDeep Multimodal Subspace Clustering (DMSC) と比較される。
  論文  参考訳（メタデータ） (2022-04-26T02:16:01Z)
• Joint Geometric and Topological Analysis of Hierarchical Datasets [7.098759778181621]
  本稿では,複数の階層的データセットに整理された高次元データに注目する。 この研究の主な新規性は、トポロジカルデータ分析と幾何多様体学習という、2つの強力なデータ分析アプローチの組み合わせにある。 本手法は, 最新手法と比較して優れた分類結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-04-03T13:02:00Z)
• Model Fusion with Kullback--Leibler Divergence [58.20269014662046]
  異種データセットから学習した後続分布を融合する手法を提案する。 我々のアルゴリズムは、融合モデルと個々のデータセット後部の両方に対する平均場仮定に依存している。
  論文  参考訳（メタデータ） (2020-07-13T03:27:45Z)
• Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
  TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。 前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
  論文  参考訳（メタデータ） (2020-05-19T05:54:14Z)

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。