論文の概要: LAAT: Locally Aligned Ant Technique for discovering multiple faint low
dimensional structures of varying density
- arxiv url: http://arxiv.org/abs/2009.08326v2
- Date: Sun, 12 Jun 2022 20:58:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-17 08:33:40.814129
- Title: LAAT: Locally Aligned Ant Technique for discovering multiple faint low
dimensional structures of varying density
- Title（参考訳）: LAAT: 局所配向アント法による異なる密度の低次元の多重低次元構造の発見
- Authors: Abolfazl Taghribi, Kerstin Bunte, Rory Smith, Jihye Shin, Michele
Mastropietro, Reynier F. Peletier and Peter Tino
- Abstract要約: 多様体学習では、密度がノイズによって示されるものよりもかなり高い場合、背景雑音や構造に近いノイズを除去する解がいくつか示されている。
本稿では,Antコロニー最適化のアイデアに基づいて,雑音の存在下で多様体点を抽出する新しい手法を提案する。
既存のランダムウォーク解とは対照的に、我々の手法は多様体の主方向と局所的に一致した点を捉える。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dimensionality reduction and clustering are often used as preliminary steps
for many complex machine learning tasks. The presence of noise and outliers can
deteriorate the performance of such preprocessing and therefore impair the
subsequent analysis tremendously. In manifold learning, several studies
indicate solutions for removing background noise or noise close to the
structure when the density is substantially higher than that exhibited by the
noise. However, in many applications, including astronomical datasets, the
density varies alongside manifolds that are buried in a noisy background. We
propose a novel method to extract manifolds in the presence of noise based on
the idea of Ant colony optimization. In contrast to the existing random walk
solutions, our technique captures points that are locally aligned with major
directions of the manifold. Moreover, we empirically show that the biologically
inspired formulation of ant pheromone reinforces this behavior enabling it to
recover multiple manifolds embedded in extremely noisy data clouds. The
algorithm performance in comparison to state-of-the-art approaches for noise
reduction in manifold detection and clustering is demonstrated, on several
synthetic and real datasets, including an N-body simulation of a cosmological
volume.
- Abstract（参考訳）: 次元の縮小とクラスタリングは、多くの複雑な機械学習タスクの予備ステップとしてしばしば使用される。
ノイズやアウトレーヤの存在は前処理の性能を低下させ、その後の解析を著しく損なう可能性がある。
多様体学習において、いくつかの研究は、密度が雑音によって示されるよりもかなり高い場合、構造に近い背景ノイズやノイズを除去するための解を示す。
しかし、天文学的なデータセットを含む多くの応用において、密度は雑音の多い背景に埋もれた多様体とともに変化する。
本稿では, antコロニー最適化の考え方に基づいて, 雑音の存在下での多様体抽出法を提案する。
既存のランダムウォーク解とは対照的に、本手法は多様体の主要方向と局所的に一致する点をキャプチャする。
さらに, 生物学的にインスパイアされたアントフェロモンの定式化は, この挙動を補強し, 極めて騒がしいデータ雲に埋め込まれた複数の多様体を復元できることを実証的に示した。
宇宙体積のn体シミュレーションを含む、いくつかの合成および実データセットにおいて、マニホールド検出およびクラスタリングにおけるノイズ低減のための最先端手法と比較したアルゴリズム性能を実証した。
関連論文リスト
- DeNoising-MOT: Towards Multiple Object Tracking with Severe Occlusions [52.63323657077447]
DNMOTは、複数のオブジェクト追跡のためのエンドツーエンドのトレーニング可能なDeNoising Transformerである。
具体的には、トレーニング中にノイズを伴って軌道を拡大し、エンコーダ・デコーダアーキテクチャのデノイング過程をモデルに学習させる。
我々はMOT17,MOT20,DanceTrackのデータセットについて広範な実験を行い,実験結果から,提案手法が従来の最先端手法よりも明確なマージンで優れていることが示された。
論文 参考訳（メタデータ） (2023-09-09T04:40:01Z) - Denoising Diffusion Semantic Segmentation with Mask Prior Modeling [61.73352242029671]
本稿では,従来の識別的アプローチのセマンティックセグメンテーション品質を,デノナイズ拡散生成モデルでモデル化したマスクを用いて改善することを提案する。
市販セグメンタを用いた先行モデルの評価を行い,ADE20KとCityscapesの実験結果から,本手法が競争力のある定量的性能を実現することを示す。
論文 参考訳（メタデータ） (2023-06-02T17:47:01Z) - A Multibranch Convolutional Neural Network for Hyperspectral Unmixing [33.10103896300028]
本研究では, 混合過程におけるスペクトル, 空間, スペクトル空間特徴の融合によるマルチブランチ畳み込みニューラルネットワークを提案する。
我々の手法は文献の他者より優れており、高い品質の分数推定につながる。
論文 参考訳（メタデータ） (2022-08-03T21:59:03Z) - Learning Low-Dimensional Nonlinear Structures from High-Dimensional
Noisy Data: An Integral Operator Approach [5.975670441166475]
本研究では,高次元および雑音観測から低次元非線形構造を学習するためのカーネルスペクトル埋め込みアルゴリズムを提案する。
このアルゴリズムは、基礎となる多様体の事前の知識に依存しない適応的な帯域幅選択手順を用いる。
得られた低次元埋め込みは、データ可視化、クラスタリング、予測などの下流目的にさらに活用することができる。
論文 参考訳（メタデータ） (2022-02-28T22:46:34Z) - Multiview point cloud registration with anisotropic and space-varying
localization noise [1.5499426028105903]
我々は,高異方性定位雑音で劣化した複数点の雲を登録する問題に対処する。
既存の手法は、空間不変等方性雑音の暗黙の仮定に基づいている。
ノイズハンドリング戦略は,高レベルの異方性雑音に対するロバスト性を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2022-01-03T15:21:24Z) - Provable RL with Exogenous Distractors via Multistep Inverse Dynamics [85.52408288789164]
実世界の強化学習(RL)の応用は、メガピクセルカメラから生成されたような高次元の観察にエージェントが対処する必要がある。
従来の研究は表現学習でこのような問題に対処しており、エージェントは生の観察から内因性、潜伏状態の情報を確実に抽出することができる。
しかし、このような手法は観測において時間的に相関するノイズの存在下では失敗する可能性がある。
論文 参考訳（メタデータ） (2021-10-17T15:21:27Z) - Removing Noise from Extracellular Neural Recordings Using Fully
Convolutional Denoising Autoencoders [62.997667081978825]
ノイズの多いマルチチャネル入力からクリーンなニューロン活動信号を生成することを学習する完全畳み込みデノイングオートエンコーダを提案する。
シミュレーションデータを用いた実験結果から,提案手法はノイズ崩壊型ニューラルネットワークの品質を大幅に向上させることができることがわかった。
論文 参考訳（メタデータ） (2021-09-18T14:51:24Z) - Multi-Contextual Design of Convolutional Neural Network for Steganalysis [8.631228373008478]
近年のステガノグラフィーの埋め込みは、必ずしも高周波帯への埋め込みを制限せず、埋め込みポリシーに従って配布している。
本研究では,従来の手法とは異なり,まず学習した復号化カーネルを用いて雑音残差を抽出し,信号対雑音比を向上する。
前処理後、スパースノイズ残差は、異種コンテキストサイズを用いてノイズ残差のスパースおよび低振幅表現を学習する新しいマルチコンテキスト畳み込みニューラルネットワーク(M-CNET)に供給される。
論文 参考訳（メタデータ） (2021-06-19T05:38:52Z) - Simultaneous Denoising and Dereverberation Using Deep Embedding Features [64.58693911070228]
ディープ埋め込み特徴を用いた同時発声・発声同時学習法を提案する。
ノイズ発生段階では、DCネットワークを利用してノイズのないディープ埋込み特性を抽出する。
残響段階では、教師なしのK平均クラスタリングアルゴリズムの代わりに、別のニューラルネットワークを用いて無響音声を推定する。
論文 参考訳（メタデータ） (2020-04-06T06:34:01Z) - Non-Local Part-Aware Point Cloud Denoising [55.50360085086123]
本稿では,点群を識別する非局所部分認識ディープニューラルネットワークを提案する。
グラフアテンションモジュールでカスタマイズした非局所学習ユニット(NLU)を設計し、非局所意味論的特徴を適応的にキャプチャする。
雑音発生性能を向上させるため,ノイズ特性をノイズ入力から段階的に抽出するために,一連のNLUをカスケードする。
論文 参考訳（メタデータ） (2020-03-14T13:51:50Z) - Manifold Fitting under Unbounded Noise [4.54773250519101]
出力多様体は、基底多様体上の射影点の接空間を直接推定することによって構成される。
我々の新しい手法は、推定された多様体と基礎多様体の間の距離の上限という観点から、高い確率で理論収束を与える。
論文 参考訳（メタデータ） (2019-09-23T08:55:41Z)
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。