論文の概要: q-SNE: Visualizing Data using q-Gaussian Distributed Stochastic Neighbor Embedding

• arxiv url: http://arxiv.org/abs/2012.00999v1
• Date: Wed, 2 Dec 2020 07:21:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-25 03:59:59.890469
• Title: q-SNE: Visualizing Data using q-Gaussian Distributed Stochastic Neighbor Embedding
• Title（参考訳）: q-SNE:q-ガウス分布確率近傍埋め込みを用いたデータの可視化
• Authors: Motoshi Abe, Junichi Miyao, and Takio Kurita
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.6610564551999563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The dimensionality reduction has been widely introduced to use the high-dimensional data for regression, classification, feature analysis, and visualization. As the one technique of dimensionality reduction, a stochastic neighbor embedding (SNE) was introduced. The SNE leads powerful results to visualize high-dimensional data by considering the similarity between the local Gaussian distributions of high and low-dimensional space. To improve the SNE, a t-distributed stochastic neighbor embedding (t-SNE) was also introduced. To visualize high-dimensional data, the t-SNE leads to more powerful and flexible visualization on 2 or 3-dimensional mapping than the SNE by using a t-distribution as the distribution of low-dimensional data. Recently, Uniform manifold approximation and projection (UMAP) is proposed as a dimensionality reduction technique. We present a novel technique called a q-Gaussian distributed stochastic neighbor embedding (q-SNE). The q-SNE leads to more powerful and flexible visualization on 2 or 3-dimensional mapping than the t-SNE and the SNE by using a q-Gaussian distribution as the distribution of low-dimensional data. The q-Gaussian distribution includes the Gaussian distribution and the t-distribution as the special cases with q=1.0 and q=2.0. Therefore, the q-SNE can also express the t-SNE and the SNE by changing the parameter q, and this makes it possible to find the best visualization by choosing the parameter q. We show the performance of q-SNE as visualization on 2-dimensional mapping and classification by k-Nearest Neighbors (k-NN) classifier in embedded space compared with SNE, t-SNE, and UMAP by using the datasets MNIST, COIL-20, OlivettiFaces, FashionMNIST, and Glove.
• Abstract（参考訳）: 次元の縮小は、回帰、分類、特徴解析、可視化に高次元データを使用するために広く導入されている。 次元減少の一手法として、確率的隣接埋め込み(SNE)を導入した。 SNEは、高次元空間と低次元空間の局所ガウス分布の類似性を考慮して、高次元データを可視化する強力な結果をもたらす。 SNEを改善するため、t分散確率的隣接埋め込み(t-SNE)も導入された。 高次元データを可視化するために、t-SNEは低次元データの分布としてt-分布を用いることで、SNEよりも2次元または3次元マッピング上でより強力で柔軟な可視化を実現する。 近年,次元減少手法として一様多様体近似投影法(umap)が提案されている。 本稿では,q-Gaussian distributed stochastic neighbor embedded (q-SNE)と呼ばれる新しい手法を提案する。 q-SNEは、低次元データの分布としてq-ガウス分布を用いることで、t-SNEやSNEよりも2次元あるいは3次元のマッピングにおいてより強力で柔軟な可視化を実現する。 q-ガウス分布は、q=1.0 と q=2.0 の特別な場合としてガウス分布と t-分布を含む。 したがって、q-SNEはパラメータqを変更してt-SNEとSNEを表現できるので、パラメータqを選択して最良の視覚化を見つけることができる。 組込み空間におけるk-Nearest Neighbors(k-NN)分類器による2次元マッピングと分類の可視化におけるq-SNEの性能を,MNIST, COIL-20, OlivettiFaces, FashionMNIST, Gloveを用いて示す。

関連論文リスト

• G2SDF: Surface Reconstruction from Explicit Gaussians with Implicit SDFs [84.07233691641193]
  G2SDFはニューラル暗黙の符号付き距離場をガウススプラッティングフレームワークに統合する新しいアプローチである。 G2SDFは, 3DGSの効率を維持しつつ, 従来よりも優れた品質を実現する。
  論文  参考訳（メタデータ） (2024-11-25T20:07:07Z)
• Geometric Algebra Planes: Convex Implicit Neural Volumes [70.12234371845445]
  GA-Planes はスパース低ランク係数と低分解能行列と等価であることを示す。 また,GA-Planeは既存の表現にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2024-11-20T18:21:58Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• Mesh-based Gaussian Splatting for Real-time Large-scale Deformation [58.18290393082119]
  ユーザがリアルタイムで大きな変形で暗黙の表現を直接変形または操作することは困難である。 我々は,インタラクティブな変形を可能にする新しいGSベースの手法を開発した。 提案手法は,高いフレームレートで良好なレンダリング結果を維持しつつ,高品質な再構成と効率的な変形を実現する。
  論文  参考訳（メタデータ） (2024-02-07T12:36:54Z)
• GPS-Gaussian: Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis [70.24111297192057]
  我々は、文字の新たなビューをリアルタイムに合成するための新しいアプローチ、GPS-Gaussianを提案する。 提案手法は,スパースビューカメラ設定下での2K解像度のレンダリングを可能にする。
  論文  参考訳（メタデータ） (2023-12-04T18:59:55Z)
• Wasserstein Projection Pursuit of Non-Gaussian Signals [8.789656856095947]
  我々は、高次元データクラウドにおける興味深い特徴の$k$次元非ガウス部分空間における興味深い方向を見つけるという問題を考察する。 生成モデルの下では、この未知の部分空間を近似する精度について厳密な統計的保証を証明している。 我々の結果は,データ次元がサンプルサイズに匹敵する体制で機能する。
  論文  参考訳（メタデータ） (2023-02-24T15:36:51Z)
• Laplacian-based Cluster-Contractive t-SNE for High Dimensional Data Visualization [20.43471678277403]
  本稿では t-SNE に基づく新しいグラフベース次元削減手法 LaptSNE を提案する。 具体的には、LaptSNEはグラフラプラシアンの固有値情報を利用して、低次元埋め込みにおけるポテンシャルクラスタを縮小する。 ラプラシアン合成目的による最適化を考える際には、より広い関心を持つであろう勾配を解析的に計算する方法を示す。
  論文  参考訳（メタデータ） (2022-07-25T14:10:24Z)
• Parametric t-Stochastic Neighbor Embedding With Quantum Neural Network [0.6946929968559495]
  t-SNE(t-Stochastic Neighbor Embedding)は、古典的機械学習における非パラメトリックデータ可視化手法である。 低次元データ上での高次元量子データの特性を反映するために、パラメトリックt-SNEに量子ニューラルネットワークを用いることを提案する。
  論文  参考訳（メタデータ） (2022-02-09T02:49:54Z)
• CO-SNE: Dimensionality Reduction and Visualization for Hyperbolic Data [10.618060176686916]
  ユークリッド空間可視化ツール t-SNE を双曲空間に拡張した CO-SNE を提案する。 ユークリッド空間とは異なり、双曲空間は不均一であり、体積は原点から遠く離れた位置にある多くの点を含むことができる。 我々は高次元双曲生物データと教師なし学習双曲表現にCO-SNEを適用した。
  論文  参考訳（メタデータ） (2021-11-30T00:21:47Z)
• Stochastic Neighbor Embedding with Gaussian and Student-t Distributions: Tutorial and Survey [13.753161236029328]
  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。
  論文  参考訳（メタデータ） (2020-09-22T03:32:05Z)
• Permutation-equivariant and Proximity-aware Graph Neural Networks with Stochastic Message Passing [88.30867628592112]
  グラフニューラルネットワーク(GNN)は、グラフ上の新たな機械学習モデルである。 置換等価性と近接認識性は、GNNにとって非常に望ましい2つの重要な特性である。 既存のGNNは、主にメッセージパッシング機構に基づいており、同時に2つの特性を保存できないことを示す。 ノードの近さを保つため,既存のGNNをノード表現で拡張する。
  論文  参考訳（メタデータ） (2020-09-05T16:46:56Z)

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。