Fugu-MT 論文翻訳(概要): Stochastic Neighbor Embedding with Gaussian and Student-t Distributions: Tutorial and Survey

論文の概要: Stochastic Neighbor Embedding with Gaussian and Student-t Distributions: Tutorial and Survey

arxiv url: http://arxiv.org/abs/2009.10301v2
Date: Wed, 3 Aug 2022 04:42:14 GMT
ステータス: 処理完了
システム内更新日: 2022-10-15 21:32:57.912624
Title: Stochastic Neighbor Embedding with Gaussian and Student-t Distributions: Tutorial and Survey
Title（参考訳）: gaussian と student-t 分布を用いた確率的近傍埋め込み:チュートリアルとサーベイ
Authors: Benyamin Ghojogh, Ali Ghodsi, Fakhri Karray, Mark Crowley
Abstract要約: 隣接埋め込み(英: Neighbor Embedding, SNE)は、確率論的アプローチによる多様体学習および次元減少法である。 SNE、対称SNE、t-SNE(またはコーシーSNE)、t-SNEを一般自由度で説明する。
参考スコア（独自算出の注目度）: 13.753161236029328
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Stochastic Neighbor Embedding (SNE) is a manifold learning and dimensionality reduction method with a probabilistic approach. In SNE, every point is consider to be the neighbor of all other points with some probability and this probability is tried to be preserved in the embedding space. SNE considers Gaussian distribution for the probability in both the input and embedding spaces. However, t-SNE uses the Student-t and Gaussian distributions in these spaces, respectively. In this tutorial and survey paper, we explain SNE, symmetric SNE, t-SNE (or Cauchy-SNE), and t-SNE with general degrees of freedom. We also cover the out-of-sample extension and acceleration for these methods.
Abstract（参考訳）: Stochastic Neighbor Embedding (SNE) は確率論的アプローチによる多様体学習および次元減少法である。 SNE では、すべての点はある確率で他のすべての点の隣り合うものと見なされ、この確率は埋め込み空間で保存される。 SNE は入力空間と埋め込み空間の両方の確率に対してガウス分布を考える。しかし、t-SNE はこれらの空間においてそれぞれ学生分布とガウス分布を用いる。本稿では,SNE,対称SNE,t-SNE(Cauchy-SNE),t-SNEを一般自由度で説明する。また,これらの手法のサンプル外拡張と加速度についても述べる。

関連論文リスト

Approximation of optimization problems with constraints through kernel Sum-Of-Squares [77.27820145069515]
我々は、点的不等式が非負の kSoS 関数のクラス内で等式となることを示す。また, 等式制約に焦点をあてることで, 散乱不等式を用いることで, 制約のサンプリングにおける次元性の呪いを軽減することができることを示す。
論文参考訳（メタデータ） (2023-01-16T10:30:04Z)
Gaussian Processes on Distributions based on Regularized Optimal Transport [2.905751301655124]
最適正則輸送の双対定式化に基づく確率測度空間上の新しいカーネルを提案する。この構成がヒルベルトノルムを用いて有効なカーネルを得ることを可能にすることを証明している。このカーネルに基づくガウス過程の挙動に関する理論的保証を提供する。
論文参考訳（メタデータ） (2022-10-12T20:30:23Z)
Optimal Scaling for Locally Balanced Proposals in Discrete Spaces [65.14092237705476]
離散空間におけるMetropolis-Hastings (M-H) アルゴリズムの効率は、対象分布に依存しない受容率によって特徴づけられることを示す。最適受容率の知識は、連続空間におけるステップサイズ制御と直接的に類似して、離散空間における提案分布の近傍サイズを自動的に調整することを可能にする。
論文参考訳（メタデータ） (2022-09-16T22:09:53Z)
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)
Robust Estimation for Nonparametric Families via Generative Adversarial Networks [92.64483100338724]
我々は,高次元ロバストな統計問題を解くためにGAN(Generative Adversarial Networks)を設計するためのフレームワークを提供する。我々の研究は、これらをロバスト平均推定、第二モーメント推定、ロバスト線形回帰に拡張する。技術面では、提案したGAN損失は、スムーズで一般化されたコルモゴロフ-スミルノフ距離と見なすことができる。
論文参考訳（メタデータ） (2022-02-02T20:11:33Z)
A Note on Optimizing Distributions using Kernel Mean Embeddings [94.96262888797257]
カーネル平均埋め込みは、その無限次元平均埋め込みによる確率測度を表す。カーネルが特徴的である場合、カーネルの総和密度を持つ分布は密度が高いことを示す。有限サンプル設定でそのような分布を最適化するアルゴリズムを提供する。
論文参考訳（メタデータ） (2021-06-18T08:33:45Z)
q-SNE: Visualizing Data using q-Gaussian Distributed Stochastic Neighbor Embedding [2.6610564551999563]
隣り合う埋め込み(SNE)と呼ばれる次元低減技術が導入された。 SNEを改善するため、t分散隣接埋め込み(t-SNE)も導入された。我々はq-ガウス分布近傍埋め込み(qSNE)と呼ばれる新しい手法を提案する。組込み空間におけるk-Nearest Neighbors(k-NN)による2次元マッピングと分類の可視化としてのq-SNEの性能について,SNE,t-SNE,UMAPと比較した。
論文参考訳（メタデータ） (2020-12-02T07:21:59Z)
Learning Halfspaces with Tsybakov Noise [50.659479930171585]
テュバコフ雑音の存在下でのハーフスペースの学習可能性について検討する。真半空間に関して誤分類誤差$epsilon$を達成するアルゴリズムを与える。
論文参考訳（メタデータ） (2020-06-11T14:25:02Z)
Schoenberg-Rao distances: Entropy-based and geometry-aware statistical Hilbert distances [12.729120803225065]
我々は、シェーンベルク-ラオ距離(Schoenberg-Rao distances)と呼ばれる統計ヒルベルト距離のクラスを研究する。ガウス分布の混合物間の新しい閉形式距離を導出する。提案手法はワッサーシュタイン距離の代替として実用的であり,その効率性は幅広い機械学習タスクで説明できる。
論文参考訳（メタデータ） (2020-02-19T18:48:33Z)
RFN: A Random-Feature Based Newton Method for Empirical Risk Minimization in Reproducing Kernel Hilbert Spaces [14.924672048447334]
大規模な有限サム問題はニュートン法の効率的な変種を用いて解くことができ、ヘッセンはデータのサブサンプルによって近似される。本稿では,このような問題に対して,ニュートン法を高速化するためにカーネル近似を自然に利用できることを考察する。局所超線型収束と大域線形収束を両立させる新しい2次アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-02-12T01:14:44Z)

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。