論文の概要: Unsupervised Functional Data Analysis via Nonlinear Dimension Reduction
- arxiv url: http://arxiv.org/abs/2012.11987v1
- Date: Tue, 22 Dec 2020 13:19:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 12:46:46.148392
- Title: Unsupervised Functional Data Analysis via Nonlinear Dimension Reduction
- Title(参考訳): 非線形次元還元による教師なし機能データ解析
- Authors: Moritz Herrmann and Fabian Scheipl
- Abstract要約: 本稿では,機能的データ設定による非線形次元減少の課題について述べる。
この設定で、マニホールドメソッドが正常に使用できることを示します。
我々は,競合しない組込みに対して,より客観的に信頼に値する決定を下すためのニュアンス的アプローチを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In recent years, manifold methods have moved into focus as tools for
dimension reduction. Assuming that the high-dimensional data actually lie on or
close to a low-dimensional nonlinear manifold, these methods have shown
convincing results in several settings. This manifold assumption is often
reasonable for functional data, i.e., data representing continuously observed
functions, as well. However, the performance of manifold methods recently
proposed for tabular or image data has not been systematically assessed in the
case of functional data yet. Moreover, it is unclear how to evaluate the
quality of learned embeddings that do not yield invertible mappings, since the
reconstruction error cannot be used as a performance measure for such
representations. In this work, we describe and investigate the specific
challenges for nonlinear dimension reduction posed by the functional data
setting. The contributions of the paper are three-fold: First of all, we define
a theoretical framework which allows to systematically assess specific
challenges that arise in the functional data context, transfer several
nonlinear dimension reduction methods for tabular and image data to functional
data, and show that manifold methods can be used successfully in this setting.
Secondly, we subject performance assessment and tuning strategies to a thorough
and systematic evaluation based on several different functional data settings
and point out some previously undescribed weaknesses and pitfalls which can
jeopardize reliable judgment of embedding quality. Thirdly, we propose a
nuanced approach to make trustworthy decisions for or against competing
nonconforming embeddings more objectively.
- Abstract(参考訳): 近年,次元減少のためのツールとして多様体法が注目されている。
高次元データが実際に低次元の非線形多様体上または近傍にあると仮定すると、これらの手法はいくつかの設定において説得力のある結果を示す。
この多様体の仮定は、しばしば関数データ、すなわち連続的に観測される関数を表すデータにも妥当である。
しかし,最近提案されたグラフデータや画像データに対する多様体法の性能は,関数データの場合,体系的に評価されていない。
また,そのような表現に対して,復元誤差を性能尺度として使用できないため,可逆写像を生じない組込みの品質評価方法については明らかでない。
本研究では,関数型データ設定によって生じる非線形次元低減の課題について記述し,検討する。
まず、機能的データコンテキストで発生する特定の課題を体系的に評価し、表や画像のデータに対していくつかの非線形次元還元法を機能的データに転送し、この設定で多様体法がうまく使えることを示す理論的枠組みを定義します。
第2に,いくつかの機能的データ設定に基づいて,性能評価とチューニング戦略を徹底的かつ体系的に評価し,組込み品質の信頼性判断を阻害する未定の弱点と落とし穴を指摘する。
第3に,競合しない組込みに対して,より客観的に信頼に値する決定を下すためのニュアンス的アプローチを提案する。
関連論文リスト
- Self-Supervised Training with Autoencoders for Visual Anomaly Detection [93.68531382792366]
本稿では,深層畳み込み型オートエンコーダのための自己教師型学習システムを提案する。
モデルが修正された再構成エラーによってデータ多様体に集中するように調整しながら、トレーニング中に識別情報を使用することができる。
MVTec 異常検出データセットに対する実験により,提案手法の高精度な認識とローカライゼーション性能が示された。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - Functional Nonlinear Learning [0.0]
低次元特徴空間における多変量関数データを表現する機能非線形学習法(FunNoL)を提案する。
本研究では,FunNoLがデータ間隔によらず,良好な曲線分類と再構成を提供することを示す。
論文 参考訳(メタデータ) (2022-06-22T23:47:45Z) - Causal Inference from Small High-dimensional Datasets [7.1894784995284144]
Causal-Batleは、小さな高次元データセットにおける治療効果を推定する手法である。
我々は、因果推論に伝達学習技術をもたらすアプローチを採用する。
論文 参考訳(メタデータ) (2022-05-19T02:04:01Z) - Learning from few examples with nonlinear feature maps [68.8204255655161]
我々はこの現象を探求し、AIモデルの特徴空間の次元性、データ分散の非退化、モデルの一般化能力の間の重要な関係を明らかにする。
本分析の主な推力は、元のデータを高次元および無限次元空間にマッピングする非線形特徴変換が結果のモデル一般化能力に与える影響である。
論文 参考訳(メタデータ) (2022-03-31T10:36:50Z) - Object-centric and memory-guided normality reconstruction for video
anomaly detection [56.64792194894702]
本稿では,ビデオ監視における異常検出問題に対処する。
異常事象の固有な規則性と不均一性のため、問題は正規性モデリング戦略と見なされる。
我々のモデルは、トレーニング中に異常なサンプルを見ることなく、オブジェクト中心の正規パターンを学習する。
論文 参考訳(メタデータ) (2022-03-07T19:28:39Z) - On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。
本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。
本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文 参考訳(メタデータ) (2022-02-25T13:47:09Z) - Linear Adversarial Concept Erasure [98.14246446690282]
与えられた概念に対応する線形部分空間の同定と消去の問題を定式化する。
我々は、この問題を制約付き線形ミニマックスゲームとしてモデル化し、既存のソリューションが一般にこのタスクに最適でないことを示す。
線形であるにもかかわらず、この手法は、トラクタビリティと解釈可能性を維持しつつ、深い非線形分類器のバイアスを効果的に軽減することを示す。
論文 参考訳(メタデータ) (2022-01-28T13:00:17Z) - A geometric perspective on functional outlier detection [0.0]
これまでに提案したよりも広く適用可能で現実的な機能外乱検出の概念を考案する。
本研究では,関数型データセットの幾何学的構造を確実に推論し,可視化するために,単純な多様体学習法が利用できることを示す。
合成および実データ集合に関する実験により、本手法は、少なくとも既存の関数型データ固有手法と同程度に、外乱検出性能をもたらすことを示した。
論文 参考訳(メタデータ) (2021-09-14T17:42:57Z) - Efficient Multidimensional Functional Data Analysis Using Marginal
Product Basis Systems [0.0]
テンソルのランダムサンプルから多次元連続表現を学習するためのフレームワークを提案する。
これらの表現は乗法的に分離可能であり、$L2$の最適性基準に従ってデータに適応することが定義される。
本研究では, テンソル分解により, 得られた推定問題を効率的に解けることを示す。
論文 参考訳(メタデータ) (2021-07-30T16:02:15Z) - Hard-label Manifolds: Unexpected Advantages of Query Efficiency for
Finding On-manifold Adversarial Examples [67.23103682776049]
画像分類モデルに対する最近のゼロオーダーのハードラベル攻撃は、ファーストオーダーのグラデーションレベルの代替品に匹敵する性能を示している。
最近、グラデーションレベルの設定では、通常の敵対的な例がデータ多様体から離れ、オンマニホールドの例が実際には一般化エラーであることが示されている。
雑音の多い多様体距離オラクルに基づく情報理論論的議論を提案し、敵の勾配推定を通じて多様体情報を漏洩させる。
論文 参考訳(メタデータ) (2021-03-04T20:53:06Z) - Joint Dimensionality Reduction for Separable Embedding Estimation [43.22422640265388]
異なるソースからのデータの低次元埋め込みは、機械学習、マルチメディア情報検索、バイオインフォマティクスにおいて重要な役割を果たす。
異なるモダリティのデータや異なる種類の実体からのデータを表す2つの特徴ベクトルに対して,線形埋め込みを共同で学習する,教師付き次元還元法を提案する。
提案手法は,他の次元減少法と比較し,遺伝子・退化関連を予測するための両線形回帰の最先端手法と比較した。
論文 参考訳(メタデータ) (2021-01-14T08:48:37Z)
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。