論文の概要: Consistent Representation Learning for High Dimensional Data Analysis
- arxiv url: http://arxiv.org/abs/2012.00481v1
- Date: Tue, 1 Dec 2020 13:39:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-31 05:37:06.669519
- Title: Consistent Representation Learning for High Dimensional Data Analysis
- Title（参考訳）: 高次元データ解析のための一貫性表現学習
- Authors: Stan Z. Li, Lirong Wu and Zelin Zang
- Abstract要約: 高次元データ分析には、次元削減、クラスタリング、可視化の3つの基本的なタスクが含まれる。
3つの関連するタスクが別々に実行されると、矛盾が生じます。
本稿では,3つのタスクをエンドツーエンドに実行するために,Consistent Representation Learningと呼ばれるニューラルネットワークに基づく新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 30.122549443821974
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High dimensional data analysis for exploration and discovery includes three
fundamental tasks: dimensionality reduction, clustering, and visualization.
When the three associated tasks are done separately, as is often the case thus
far, inconsistencies can occur among the tasks in terms of data geometry and
others. This can lead to confusing or misleading data interpretation. In this
paper, we propose a novel neural network-based method, called Consistent
Representation Learning (CRL), to accomplish the three associated tasks
end-to-end and improve the consistencies. The CRL network consists of two
nonlinear dimensionality reduction (NLDR) transformations: (1) one from the
input data space to the latent feature space for clustering, and (2) the other
from the clustering space to the final 2D or 3D space for visualization.
Importantly, the two NLDR transformations are performed to best satisfy local
geometry preserving (LGP) constraints across the spaces or network layers, to
improve data consistencies along with the processing flow. Also, we propose a
novel metric, clustering-visualization inconsistency (CVI), for evaluating the
inconsistencies. Extensive comparative results show that the proposed CRL
neural network method outperforms the popular t-SNE and UMAP-based and other
contemporary clustering and visualization algorithms in terms of evaluation
metrics and visualization.
- Abstract（参考訳）: 探索と発見のための高次元データ分析には、3つの基本的なタスクが含まれる。
3つの関連するタスクが別々に実行される場合、これまでの場合と同様に、データジオメトリなどの観点からは、タスク間に矛盾が発生することがある。
これはデータ解釈の混乱や誤解を招く可能性がある。
本稿では,3つのタスクをエンドツーエンドに達成し,構成性を改善するために,一貫性表現学習(CRL)と呼ばれるニューラルネットワークに基づく新しい手法を提案する。
CRLネットワークは、2つの非線形次元減少(NLDR)変換からなる:(1)入力データ空間からクラスタリングのための潜在特徴空間への変換、(2)クラスタリング空間から可視化のための最終2Dまたは3D空間への変換。
重要なことに、2つのnldr変換は、空間層やネットワーク層にまたがる局所幾何保存(lgp)制約を最善に満たし、処理フローに沿ったデータ構成を改善するために行われる。
また,この不整合を評価するための新しい指標であるクラスタリング・ビジュアライゼーション・アンコンシスタンシー(cvi)を提案する。
大規模比較の結果,提案したCRLニューラルネットワーク手法は,評価指標や可視化の観点から,一般的なt-SNEやUMAPベースのクラスタリングや可視化アルゴリズムよりも優れていた。
関連論文リスト
- Double-Shot 3D Shape Measurement with a Dual-Branch Network [14.749887303860717]
我々は、異なる構造光(SL)変調を処理するために、デュアルブランチ畳み込みニューラルネットワーク(CNN)-トランスフォーマーネットワーク(PDCNet)を提案する。
PDCNet内では、Transformerブランチを使用してフリンジイメージのグローバルな認識をキャプチャし、CNNブランチはスペックルイメージのローカル詳細を収集するように設計されている。
提案手法は, 自己生成データセット上で高精度な結果が得られる一方で, フランジオーダーの曖昧さを低減できることを示す。
論文 参考訳（メタデータ） (2024-07-19T10:49:26Z) - Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。
本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。
これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文 参考訳（メタデータ） (2024-02-03T19:00:19Z) - One for all: A novel Dual-space Co-training baseline for Large-scale
Multi-View Clustering [42.92751228313385]
我々は、Dual-space Co-training Large-scale Multi-view Clustering (DSCMC)という新しいマルチビュークラスタリングモデルを提案する。
提案手法の主な目的は,2つの異なる空間における協調学習を活用することにより,クラスタリング性能を向上させることである。
我々のアルゴリズムは近似線形計算複雑性を持ち、大規模データセットへの適用が成功することを保証している。
論文 参考訳（メタデータ） (2024-01-28T16:30:13Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Sparse Cross-scale Attention Network for Efficient LiDAR Panoptic
Segmentation [12.61753274984776]
マルチスケールのスパース機能とグローバルなボクセル符号化されたアテンションを整合させて、インスタンスコンテキストの長距離関係をキャプチャする、新しいスパース・クロススケールアテンション・ネットワークであるSCANを提案する。
表面凝集点に対して、SCANは、整列した特徴の空間性を維持するだけでなく、スパース畳み込みによってネットワークの量を減少させる、新しいスパースクラス非依存のインスタンスセントロイド表現を採用する。
論文 参考訳（メタデータ） (2022-01-16T05:34:54Z) - Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。
提案されたSSCAGは最先端のアプローチと競合する。
論文 参考訳（メタデータ） (2021-04-24T08:09:27Z) - TSGCNet: Discriminative Geometric Feature Learning with Two-Stream
GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。
3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
論文 参考訳（メタデータ） (2020-12-26T08:02:56Z) - PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object
Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。
現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。
本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文 参考訳（メタデータ） (2020-12-18T18:06:43Z) - Monocular 3D Detection with Geometric Constraints Embedding and
Semi-supervised Training [3.8073142980733]
我々は,KM3D-Netと呼ばれる,RGB画像のみを用いたモノクル3Dオブジェクト検出のための新しいフレームワークを提案する。
我々は、対象のキーポイント、次元、方向を予測するための完全な畳み込みモデルを設計し、これらの推定を視点幾何学的制約と組み合わせて位置属性を計算する。
論文 参考訳（メタデータ） (2020-09-02T00:51:51Z) - Cylindrical Convolutional Networks for Joint Object Detection and
Viewpoint Estimation [76.21696417873311]
3次元空間で定義された畳み込みカーネルの円筒形表現を利用する学習可能なモジュールである円筒型畳み込みネットワーク(CCN)を導入する。
CCNはビュー固有の畳み込みカーネルを通してビュー固有の特徴を抽出し、各視点におけるオブジェクトカテゴリスコアを予測する。
本実験は,円柱状畳み込みネットワークが関節物体の検出と視点推定に与える影響を実証する。
論文 参考訳（メタデータ） (2020-03-25T10:24:58Z)
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。