論文の概要: Perplexity-free Parametric t-SNE

• arxiv url: http://arxiv.org/abs/2010.01359v1
• Date: Sat, 3 Oct 2020 13:47:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-10-11 08:54:19.531975
• Title: Perplexity-free Parametric t-SNE
• Title（参考訳）: パープレキシティフリーパラメトリックt-SNE
• Authors: Francesco Crecchi, Cyril de Bodt, Michel Verleysen, John A. Lee and Davide Bacciu
• Abstract要約: t-distributed Neighbor Embedding (t-SNE) アルゴリズムは、ユビキタスに使われている次元減少法である。 しかし、ユーザ定義のパープレキシティパラメータに拘束され、最近開発されたマルチスケールパープレキシティフリーアプローチと比較してDR品質が制限される。 そこで本稿では, パープレキシティチューニングから解放されたマルチスケールパラメトリックt-SNE方式と, マッピングを実装したディープニューラルネットワークを提案する。
• 参考スコア（独自算出の注目度）: 11.970023029249083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The t-distributed Stochastic Neighbor Embedding (t-SNE) algorithm is a ubiquitously employed dimensionality reduction (DR) method. Its non-parametric nature and impressive efficacy motivated its parametric extension. It is however bounded to a user-defined perplexity parameter, restricting its DR quality compared to recently developed multi-scale perplexity-free approaches. This paper hence proposes a multi-scale parametric t-SNE scheme, relieved from the perplexity tuning and with a deep neural network implementing the mapping. It produces reliable embeddings with out-of-sample extensions, competitive with the best perplexity adjustments in terms of neighborhood preservation on multiple data sets.
• Abstract（参考訳）: t-distributed stochastic neighbor embedded (t-sne) アルゴリズムはユビキタスに採用された次元還元法である。 非パラメトリックな性質と印象的な有効性はパラメトリック拡張を動機づけた。 しかし、ユーザ定義のパープレキシティパラメータに拘束され、最近開発されたマルチスケールパープレキシティフリーアプローチと比較してDR品質が制限される。 そこで本稿では, パープレキシティチューニングから解放されたマルチスケールパラメトリックt-SNE方式と, マッピングを実装したディープニューラルネットワークを提案する。 サンプル外拡張による信頼性の高い埋め込みを生成し、複数のデータセットの近傍保存の観点から最も複雑な調整と競合する。

関連論文リスト

• Joint Optimization of Neural Autoregressors via Scoring rules [0.7877961820015923]
  Tabular Prior-Data Fitted Network (TabPFN) は様々なベンチマークで最先端の性能を示した。 次元当たり$N$ binsの非パラメトリックな離散化では、明示的なジョイントグリッドの複雑さは指数関数的にスケールする。
  論文  参考訳（メタデータ） (2026-01-09T10:05:07Z)
• Parallel Diffusion Solver via Residual Dirichlet Policy Optimization [88.7827307535107]
  拡散モデル(DM)は、最先端の生成性能を達成したが、シーケンシャルなデノナイジング特性のため、高いサンプリング遅延に悩まされている。 既存のソルバベースの加速度法では、低次元の予算で画像品質が著しく低下することが多い。 本研究では,各ステップに複数の勾配並列評価を組み込んだ新しいODE解法であるEnsemble Parallel Directionsolvr(EPD-EPr)を提案する。
  論文  参考訳（メタデータ） (2025-12-28T05:48:55Z)
• Discrete Variational Autoencoding via Policy Search [16.257957838291563]
  変分オートエンコーダ(VAE)の離散遅延ボトルネックは高いビット効率を提供する。 離散確率変数は、正確に微分可能なパラメータ化を許さない。 非パラメトリックエンコーダの自然な勾配を利用する離散型VAEのためのトレーニングフレームワークを提案する。 自動ステップサイズ適応とトランスフォーマーベースのエンコーダを組み合わせることで、ImageNetのような挑戦的なデータセットにスケールする。
  論文  参考訳（メタデータ） (2025-09-29T12:44:05Z)
• Low-Rank Implicit Neural Representation via Schatten-p Quasi-Norm and Jacobian Regularization [49.158601255093416]
  暗黙的神経表現のためのニューラルネットワークによりパラメータ化されたCPベースの低ランクテンソル関数を提案する。 滑らか性のために、ヤコビアンとハッチンソンのトレース推定器のスペクトルノルムに基づく正規化項を提案する。 提案した滑らか度正規化はSVDフリーであり、明示的な連鎖規則の導出を避ける。
  論文  参考訳（メタデータ） (2025-06-27T11:23:10Z)
• Locally Private Nonparametric Contextual Multi-armed Bandits [10.579415536953132]
  ローカルディファレンシャルプライバシ(LDP)の下での非パラメトリックコンテキスト多重武装バンディット(MAB)の課題に対処する。 一致したミニマックス下界で支持されるミニマックス最適性を示す一様信頼束縛型推定器を開発した。
  論文  参考訳（メタデータ） (2025-03-11T07:00:57Z)
• ALoRE: Efficient Visual Adaptation via Aggregating Low Rank Experts [71.91042186338163]
  ALoREは、Kroneckerによって構築された超複素パラメータ化空間をAggregate Low Rank Expertsに再利用する新しいPETL法である。 巧妙な設計のおかげで、ALoREは無視できる余分なパラメータを保持し、凍ったバックボーンに強制的にマージできる。
  論文  参考訳（メタデータ） (2024-12-11T12:31:30Z)
• Order-Preserving Dimension Reduction for Multimodal Semantic Embedding [0.8695396732128153]
  次数保存次元削減は,低次元空間におけるKNNのランクを保ちつつ,埋め込みの次元性を低減することを目的としている。 我々はOPDRを複数の最先端次元推論技術、距離関数、埋め込みモデルと統合した。 様々なマルチモーダルデータセットの実験により、OPDRは計算コストを大幅に削減しつつ、リコール精度を効果的に維持することを示した。
  論文  参考訳（メタデータ） (2024-08-15T22:30:44Z)
• A Unified Theory of Stochastic Proximal Point Methods without Smoothness [52.30944052987393]
  近点法はその数値的安定性と不完全なチューニングに対する頑健性からかなりの関心を集めている。 本稿では,近位点法(SPPM)の幅広いバリエーションの包括的解析について述べる。
  論文  参考訳（メタデータ） (2024-05-24T21:09:19Z)
• A Metaheuristic for Amortized Search in High-Dimensional Parameter Spaces [0.0]
  本稿では,特徴インフォームド変換から次元還元を実現するメタヒューリスティックを提案する。 DR-FFITは、高次元空間における勾配自由パラメータ探索を容易にする効率的なサンプリング戦略を実装している。 実験データから,DR-FFITは,確立したメタヒューリスティックスに対するランダム検索とシミュレート・アニーリングの性能を向上させることが示された。
  論文  参考訳（メタデータ） (2023-09-28T14:25:14Z)
• Online Continuous Hyperparameter Optimization for Generalized Linear Contextual Bandits [55.03293214439741]
  文脈的包帯では、エージェントは過去の経験に基づいた時間依存アクションセットから順次アクションを行う。 そこで本稿では,文脈的包帯のためのオンライン連続型ハイパーパラメータチューニングフレームワークを提案する。 理論上はサブ線形の後悔を達成でき、合成データと実データの両方において既存のすべての手法よりも一貫して優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-02-18T23:31:20Z)
• Making SGD Parameter-Free [28.088227276891885]
  我々のアルゴリズムは概念的には単純で、高い確率保証を持ち、未知の勾配ノルム、滑らかさ、強い凸性に部分的に適応している。 結果の核心は,SGDステップサイズ選択のための新しいパラメータフリー証明書と,SGDのa-プリオリ境界が反復しないと仮定する時間一様濃度の結果である。
  論文  参考訳（メタデータ） (2022-05-04T16:29:38Z)
• Federated Linear Contextual Bandits [17.438169791449834]
  Fed-PEは、ローカルな特徴ベクトルや生データを交換することなく、クライアント間の不均一性に対処するために提案されている。 提案アルゴリズムの有効性を,合成データセットと実世界のデータセットの両方で実証した。
  論文  参考訳（メタデータ） (2021-10-27T05:18:58Z)
• Differentially Private Coordinate Descent for Composite Empirical Risk Minimization [13.742100810492014]
  機械学習モデルは、トレーニングに使用されるデータに関する情報をリークすることができる。 Differentially Private (DP) のGradient Descent (DP-SGD) のような最適化アルゴリズムは、これを緩和するために設計されている。 差分的私的リスク最小化法(DP-ERM: Differentially Private Coordinate Descent:DP-CD)を提案する。
  論文  参考訳（メタデータ） (2021-10-22T10:22:48Z)
• Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
  重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。 分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
  論文  参考訳（メタデータ） (2021-03-07T00:15:44Z)
• Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned Edge Learning Over Broadband Channels [69.18343801164741]
  パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。 本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
  論文  参考訳（メタデータ） (2020-10-08T15:27:50Z)
• Supervised Learning for Non-Sequential Data: A Canonical Polyadic Decomposition Approach [85.12934750565971]
  特徴相互作用の効率的なモデリングは、非順序的タスクに対する教師あり学習の基盤となる。 この問題を緩和するため、モデルパラメータをテンソルとして暗黙的に表現することが提案されている。 表現性を向上するため,任意の高次元特徴ベクトルに特徴写像を適用できるようにフレームワークを一般化する。
  論文  参考訳（メタデータ） (2020-01-27T22:38:40Z)
• Support recovery and sup-norm convergence rates for sparse pivotal estimation [79.13844065776928]
  高次元スパース回帰では、ピボット推定器は最適な正規化パラメータがノイズレベルに依存しない推定器である。 非滑らかで滑らかな単一タスクとマルチタスク正方形ラッソ型推定器に対するミニマックス超ノルム収束率を示す。
  論文  参考訳（メタデータ） (2020-01-15T16:11:04Z)

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。