論文の概要: Quantile-Quantile Embedding for Distribution Transformation and Manifold
Embedding with Ability to Choose the Embedding Distribution
- arxiv url: http://arxiv.org/abs/2006.11385v2
- Date: Fri, 9 Jul 2021 03:06:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-19 03:29:58.551209
- Title: Quantile-Quantile Embedding for Distribution Transformation and Manifold
Embedding with Ability to Choose the Embedding Distribution
- Title（参考訳）: 分布変換と多様体埋め込みのための四分位・四分位埋め込みと埋め込み分布の選択能力
- Authors: Benyamin Ghojogh, Fakhri Karray, Mark Crowley
- Abstract要約: 分散変換と多様体埋め込みのための新しい埋め込み法であるQuantile-Quantile Embedding (QQE)を提案する。
QQEはデータの分布を任意の理論上の望ましい分布や経験的な参照サンプルに変換することができる。
また、PCA、t-SNE、ディープメトリックラーニングなどの他の次元削減手法の埋め込み分布を変更するためにも使用できる。
- 参考スコア（独自算出の注目度）: 12.323996999894002
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We propose a new embedding method, named Quantile-Quantile Embedding (QQE),
for distribution transformation and manifold embedding with the ability to
choose the embedding distribution. QQE, which uses the concept of
quantile-quantile plot from visual statistical tests, can transform the
distribution of data to any theoretical desired distribution or empirical
reference sample. Moreover, QQE gives the user a choice of embedding
distribution in embedding the manifold of data into the low dimensional
embedding space. It can also be used for modifying the embedding distribution
of other dimensionality reduction methods, such as PCA, t-SNE, and deep metric
learning, for better representation or visualization of data. We propose QQE in
both unsupervised and supervised forms. QQE can also transform a distribution
to either an exact reference distribution or its shape. We show that QQE allows
for better discrimination of classes in some cases. Our experiments on
different synthetic and image datasets show the effectiveness of the proposed
embedding method.
- Abstract（参考訳）: 本稿では, 分布変換および多様体埋め込みのためのquantile-quantile embedded (qqe) という新しい埋め込み手法を提案する。
QQEは、視覚統計的テストから量子量子的プロットの概念を用いており、データの分布を理論上望ましい分布や経験的参照サンプルに変換することができる。
さらに、QQEは、データの多様体を低次元の埋め込み空間に埋め込む際に、ユーザーに分布を埋め込む選択を与える。
また、PCA、t-SNE、ディープメトリックラーニングなどの他の次元削減手法の埋め込み分布を修正して、データの表現や視覚化に使用することもできる。
教師なし型と教師なし型の両方でQQEを提案する。
QQEはまた、分布を正確な参照分布またはその形状に変換することもできる。
また,qqeによってクラス識別が向上する場合もある。
異なる合成データと画像データセットを用いた実験により,提案手法の有効性を示す。
関連論文リスト
- A Probabilistic Approach to Learning the Degree of Equivariance in Steerable CNNs [5.141137421503899]
ステアブル畳み込みニューラルネットワーク(SCNN)は、幾何学的対称性をモデル化することによってタスク性能を向上させる。
しかし、未知あるいは様々な対称性は、過剰に制約された重量と性能を低下させる可能性がある。
本稿では,SCNNの等価度を学習するための確率的手法を提案する。
論文 参考訳（メタデータ） (2024-06-06T10:45:19Z) - Vector Quantile Regression on Manifolds [8.328891187733841]
QR(Quantile regression)は、対象変数の条件量子化の分布自由度推定のための統計ツールである。
最適輸送理論とc-凹関数を活用することにより、高次元変数の条件ベクトル量子関数を有意に定義する。
提案手法の有効性を実証し, 合成および実データ実験による非ユークリッド量子化の意味に関する知見を提供する。
論文 参考訳（メタデータ） (2023-07-03T14:17:12Z) - ProbVLM: Probabilistic Adapter for Frozen Vision-Language Models [69.50316788263433]
本稿では,事前学習された視覚言語モデルの埋め込みに対する確率分布を推定する確率的アダプタProbVLMを提案する。
本稿では,検索タスクにおける不確実性埋め込みのキャリブレーションを定量化し,ProbVLMが他の手法よりも優れていることを示す。
本稿では,大規模な事前学習型潜伏拡散モデルを用いて,埋め込み分布を可視化する新しい手法を提案する。
論文 参考訳（メタデータ） (2023-07-01T18:16:06Z) - Distribution Shift Inversion for Out-of-Distribution Prediction [57.22301285120695]
本稿では,OoD(Out-of-Distribution)予測のためのポータブル分布シフト変換アルゴリズムを提案する。
提案手法は,OoDアルゴリズムを広範囲に接続した場合に,一般的な性能向上をもたらすことを示す。
論文 参考訳（メタデータ） (2023-06-14T08:00:49Z) - Flow Away your Differences: Conditional Normalizing Flows as an
Improvement to Reweighting [0.0]
本稿では, 条件分布の所望の変化を考慮に入れた再重み付け手法の代替手法を提案する。
条件付き正規化フローを用いて、完全条件付き確率分布を学習する。
この例では、ソースとターゲットの分布を同一のサンプルサイズで再重み付けする手法よりも、統計精度が最大3倍に向上する。
論文 参考訳（メタデータ） (2023-04-28T16:33:50Z) - Robust Calibration with Multi-domain Temperature Scaling [86.07299013396059]
我々は,複数の領域からのデータを活用することで,分散シフトを処理するシステムキャリブレーションモデルを開発した。
提案手法は,分布シフト時のキャリブレーションを改善するために,領域内のロバスト性を利用する。
論文 参考訳（メタデータ） (2022-06-06T17:32:12Z) - Wrapped Distributions on homogeneous Riemannian manifolds [58.720142291102135]
パラメータ、対称性、モダリティなどの分布の性質の制御は、フレキシブルな分布の族を生み出す。
変動型オートエンコーダと潜在空間ネットワークモデル内で提案した分布を利用して,我々のアプローチを実証的に検証する。
論文 参考訳（メタデータ） (2022-04-20T21:25:21Z) - Personalized Trajectory Prediction via Distribution Discrimination [78.69458579657189]
トラリミー予測は将来の力学のマルチモーダルな性質を捉えるジレンマと対立する。
本研究では,パーソナライズされた動作パターンを予測するDisDisDis(Disdis)手法を提案する。
本手法は,プラグイン・アンド・プレイモジュールとして既存のマルチモーダル予測モデルと統合することができる。
論文 参考訳（メタデータ） (2021-07-29T17:42:12Z) - CQ-VAE: Coordinate Quantized VAE for Uncertainty Estimation with
Application to Disk Shape Analysis from Lumbar Spine MRI Images [1.5841288368322592]
本稿では,あいまいさの表現を学習し,確率的出力を生成するための強力な生成モデルを提案する。
我々のモデルは、CQ-VAE (Coordinate Quantization Variational Autoencoder) と呼ばれ、内部の離散確率分布を持つ離散潜在空間を用いている。
マッチングアルゴリズムを用いて、モデル生成サンプルと「地下構造」サンプルの対応性を確立する。
論文 参考訳（メタデータ） (2020-10-17T04:25:32Z) - Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。
埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。
複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
論文 参考訳（メタデータ） (2020-03-09T13:51:09Z)
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。