論文の概要: Learning Representation for Mixed Data Types with a Nonlinear Deep Encoder-Decoder Framework

• arxiv url: http://arxiv.org/abs/2009.09634v1
• Date: Mon, 21 Sep 2020 06:29:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-16 05:45:31.526014
• Title: Learning Representation for Mixed Data Types with a Nonlinear Deep Encoder-Decoder Framework
• Title（参考訳）: 非線形ディープエンコーダデコーダフレームワークを用いた混合データ型の学習表現
• Authors: Saswata Sahoo and Souradip Chakraborty
• Abstract要約: 混合データ型に対するクロスドメイン情報を取得するための非線形Deep-Decoderフレームワークを提案する。 隠れた非線形単位の数値変数に関する情報を符号化する。 数値変数と分類変数の役割を切り替えるネットワークが開発されている。
• 参考スコア（独自算出の注目度）: 0.7106986689736827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Representation of data on mixed variables, numerical and categorical types to get suitable feature map is a challenging task as important information lies in a complex non-linear manifold. The feature transformation should be able to incorporate marginal information of the individual variables and complex cross-dependence structure among the mixed type of variables simultaneously. In this work, we propose a novel nonlinear Deep Encoder-Decoder framework to capture the cross-domain information for mixed data types. The hidden layers of the network connect the two types of variables through various non-linear transformations to give latent feature maps. We encode the information on the numerical variables in a number of hidden nonlinear units. We use these units to recreate categorical variables through further nonlinear transformations. A separate and similar network is developed switching the roles of the numerical and categorical variables. The hidden representational units are stacked one next to the others and transformed into a common space using a locality preserving projection. The derived feature maps are used to explore the clusters in the data. Various standard datasets are investigated to show nearly the state of the art performance in clustering using the feature maps with simple K-means clustering.
• Abstract（参考訳）: 混合変数、数値型、カテゴリー型のデータを適切な特徴写像に表現することは、重要な情報が複素非線型多様体に存在するため難しい課題である。 特徴変換は、個々の変数の限界情報と混合型変数間の複雑な相互依存構造を同時に組み込むことができるべきである。 本研究では,混合データ型に対するクロスドメイン情報を取り込む非線形深エンコーダ・デコーダフレームワークを提案する。 ネットワークの隠された層は、様々な非線形変換を通じて2種類の変数を接続し、潜在特徴写像を与える。 数値変数に関する情報を隠れた多数の非線形単位にエンコードする。 これらの単位を用いて、さらなる非線形変換を通じて分類変数を再現する。 数値変数とカテゴリ変数の役割を切り替える、別々で類似したネットワークが開発されている。 隠された表現単位は他のものと隣り合って積み重ねられ、局所性保存射影を用いて共通空間に変換される。 派生した特徴マップは、データのクラスタを探索するために使用される。 様々な標準データセットを調査し,単純なk-meansクラスタリングを用いた特徴マップを用いて,クラスタリングにおける技術性能のほぼ同水準を示す。

関連論文リスト

• Symmetry Discovery for Different Data Types [52.2614860099811]
  等価ニューラルネットワークは、そのアーキテクチャに対称性を取り入れ、より高度な一般化性能を実現する。 本稿では,タスクの入出力マッピングを近似したトレーニングニューラルネットワークによる対称性発見手法であるLieSDを提案する。 我々は,2体問題,慣性行列予測のモーメント,トップクォークタグ付けといった課題におけるLieSDの性能を検証した。
  論文  参考訳（メタデータ） (2024-10-13T13:39:39Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Learning Implicit Feature Alignment Function for Semantic Segmentation [51.36809814890326]
  Implicit Feature Alignment Function (IFA)は、暗黙の神経表現の急速に拡大するトピックにインスパイアされている。 IFAは機能マップを異なるレベルで暗黙的に整列し、任意の解像度でセグメンテーションマップを生成することができることを示す。 提案手法は,様々なアーキテクチャの改善と組み合わせて,一般的なベンチマークにおける最先端の精度のトレードオフを実現する。
  論文  参考訳（メタデータ） (2022-06-17T09:40:14Z)
• SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
  ポイントクラウドセマンティックセグメンテーションのためのSemAffiNetを提案する。 我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-05-26T17:00:23Z)
• Multimodal Data Fusion in High-Dimensional Heterogeneous Datasets via Generative Models [16.436293069942312]
  我々は、教師なしの方法で高次元異種データから確率的生成モデルを学習することに興味がある。 本稿では,指数関数的な分布系を通じて異なるデータ型を結合する一般的なフレームワークを提案する。 提案アルゴリズムは、実数値(ガウス)とカテゴリー(マルチノミカル)の特徴を持つ、よく遭遇する異種データセットについて詳細に述べる。
  論文  参考訳（メタデータ） (2021-08-27T18:10:31Z)
• Mitigating Generation Shifts for Generalized Zero-Shot Learning [52.98182124310114]
  一般化ゼロショット学習(英: Generalized Zero-Shot Learning、GZSL)は、学習中に見知らぬクラスが観察できない、見つからないサンプルを認識するために意味情報(属性など)を活用するタスクである。 本稿では,未知のデータ合成を効率よく,効率的に学習するための新しい生成シフト緩和フローフレームワークを提案する。 実験結果から,GSMFlowは従来のゼロショット設定と一般化されたゼロショット設定の両方において,最先端の認識性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-07-07T11:43:59Z)
• Category-Learning with Context-Augmented Autoencoder [63.05016513788047]
  実世界のデータの解釈可能な非冗長表現を見つけることは、機械学習の鍵となる問題の一つである。 本稿では,オートエンコーダのトレーニングにデータ拡張を利用する新しい手法を提案する。 このような方法で変分オートエンコーダを訓練し、補助ネットワークによって変換結果を予測できるようにする。
  論文  参考訳（メタデータ） (2020-10-10T14:04:44Z)
• Autoencoder Image Interpolation by Shaping the Latent Space [12.482988592988868]
  オートエンコーダは、異なるタイプのデータセットを特徴付ける基礎となる要因を計算するための効果的なアプローチである。 トレーニング画像と整合した多様体に従うために潜在表現を形作る正規化手法を提案する。
  論文  参考訳（メタデータ） (2020-08-04T12:32:54Z)
• Graph Spectral Feature Learning for Mixed Data of Categorical and Numerical Type [0.7106986689736827]
  混合データ空間における単純な近傍クエリでは、数値変数と分類変数を別々に考えるのが標準的な方法である。 本研究では,変数の混合型間の確率的依存構造を非方向性グラフで明示的にモデル化する新しい手法を提案する。
  論文  参考訳（メタデータ） (2020-05-06T13:36:59Z)
• LOCA: LOcal Conformal Autoencoder for standardized data coordinates [6.608924227377152]
  多様体の潜在変数に等長な $mathbbRd$ の埋め込みを学ぶ方法を提案する。 我々の埋め込みは, 変形を補正する埋め込みを構成するアルゴリズムであるLOCA (Local Conformal Autoencoder) を用いて得られる。 また、単一サイトWi-FiのローカライゼーションデータにLOCAを適用し、曲面推定を3ドルで行う。
  論文  参考訳（メタデータ） (2020-04-15T17:49:37Z)

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。