論文の概要: Divergence Regulated Encoder Network for Joint Dimensionality Reduction and Classification

• arxiv url: http://arxiv.org/abs/2012.15764v3
• Date: Tue, 16 Mar 2021 20:03:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-17 21:38:53.645694
• Title: Divergence Regulated Encoder Network for Joint Dimensionality Reduction and Classification
• Title（参考訳）: ダイバージェンス制御エンコーダネットワークによる関節次元の低減と分類
• Authors: Joshua Peeples, Sarah Walker, Connor McCurley, Alina Zare, James Keller
• Abstract要約: 新規なヒストグラムニューラルネットワークを用いて関節寸法低減および分類を行う方法を検討する。 一般的な次元削減手法である t-Distributed Neighbor Embedding (t-SNE) により,本手法は低次元埋め込み空間における試料に計算された分類損失を組み込む。 以上の結果から,提案手法は分類性能を維持・/または向上させ,他のアプリケーションに役立つかもしれないニューラルネットワークの特徴を明らかにする。
• 参考スコア（独自算出の注目度）: 2.989889278970106
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we investigate performing joint dimensionality reduction and classification using a novel histogram neural network. Motivated by a popular dimensionality reduction approach, t-Distributed Stochastic Neighbor Embedding (t-SNE), our proposed method incorporates a classification loss computed on samples in a low-dimensional embedding space. We compare the learned sample embeddings against coordinates found by t-SNE in terms of classification accuracy and qualitative assessment. We also explore use of various divergence measures in the t-SNE objective. The proposed method has several advantages such as readily embedding out-of-sample points and reducing feature dimensionality while retaining class discriminability. Our results show that the proposed approach maintains and/or improves classification performance and reveals characteristics of features produced by neural networks that may be helpful for other applications.
• Abstract（参考訳）: 本稿では,新しいヒストグラムニューラルネットワークを用いて,関節次元の低減と分類を行う。 一般的な次元削減手法である t-Distributed Stochastic Neighbor Embedding (t-SNE) によって動機付けられた本手法は, 低次元埋め込み空間における試料に計算された分類損失を組み込む。 t-SNEが検出した座標に対するサンプル埋め込みを,分類精度と定性評価の観点から比較した。 また, t-SNEの目的において, 様々なばらつき対策の活用についても検討する。 提案手法は, クラス識別性を維持しつつ, サンプル外点の埋め込みを容易にし, 特徴次元を小さくするなどの利点がある。 以上の結果から,提案手法は分類性能を維持・/または向上させ,他のアプリケーションに役立つかもしれないニューラルネットワークの特徴を明らかにする。

関連論文リスト

• Verification of Geometric Robustness of Neural Networks via Piecewise Linear Approximation and Lipschitz Optimisation [57.10353686244835]
  我々は、回転、スケーリング、せん断、翻訳を含む入力画像の幾何学的変換に対するニューラルネットワークの検証の問題に対処する。 提案手法は, 分枝・分枝リプシッツと組み合わせたサンプリングおよび線形近似を用いて, 画素値に対する楽音線形制約を求める。 提案手法では,既存の手法よりも最大32%の検証ケースが解決されている。
  論文  参考訳（メタデータ） (2024-08-23T15:02:09Z)
• Anti-Collapse Loss for Deep Metric Learning Based on Coding Rate Metric [99.19559537966538]
  DMLは、分類、クラスタリング、検索といった下流タスクのための識別可能な高次元埋め込み空間を学習することを目的としている。 埋め込み空間の構造を維持し,特徴の崩壊を避けるために,反崩壊損失と呼ばれる新しい損失関数を提案する。 ベンチマークデータセットの総合実験により,提案手法が既存の最先端手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-03T13:44:20Z)
• A Mallows-like Criterion for Anomaly Detection with Random Forest Implementation [7.569443648362081]
  本稿では,複数のモデルの集約における重み付けを選択するための新しい基準を提案する。 提案手法をネットワーク侵入を含む様々な領域にわたるベンチマークデータセット上で評価した。
  論文  参考訳（メタデータ） (2024-05-29T09:36:57Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• A Systematic Evaluation of Node Embedding Robustness [77.29026280120277]
  本研究では,ノード埋め込みモデルのランダムおよび逆毒攻撃に対する経験的ロバスト性を評価する。 ネットワーク特性とノードラベルを用いて計算したエッジの追加,削除,再切り替えの戦略を比較した。 その結果,ノード分類はネットワーク再構成とは対照的に,高い性能劣化に悩まされていることがわかった。
  論文  参考訳（メタデータ） (2022-09-16T17:20:23Z)
• Supervised Dimensionality Reduction and Classification with Convolutional Autoencoders [1.1164202369517053]
  畳み込みオートエンコーダを組み合わせることで、教師付き次元の減少と予測を同時に生成する。 結果として得られるラテント空間は、伝統的な解釈可能な分類アルゴリズムを改善するために利用することができる。 提案手法は, 生成した潜在空間を通してのデータ構造だけでなく, 分類行動についても, 高度な説明可能性を導入している。
  論文  参考訳（メタデータ） (2022-08-25T15:18:33Z)
• Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
  本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。 前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。 提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
  論文  参考訳（メタデータ） (2022-05-13T21:09:41Z)
• Stochastic Mutual Information Gradient Estimation for Dimensionality Reduction Networks [11.634729459989996]
  エンドツーエンドのニューラルネットワークトレーニングアプローチとして,情報理論的特徴変換プロトコルを導入する。 本稿では,相互情報勾配の推定に基づく次元還元ネットワーク(MMINET)のトレーニング手法を提案する。 本手法を高次元生物データセットに適用して実験的に評価し,従来の特徴選択アルゴリズムと関連付ける。
  論文  参考訳（メタデータ） (2021-05-01T08:20:04Z)
• 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)
• Dimensionality Reduction via Diffusion Map Improved with Supervised Linear Projection [1.7513645771137178]
  本稿では、データサンプルが1つの基礎となる滑らかな多様体上に存在すると仮定する。 ペアワイズローカルカーネル距離を用いてクラス内およびクラス間類似性を定義する。 クラス内類似度を最大化し、クラス間類似度を同時に最小化する線形射影を求める。
  論文  参考訳（メタデータ） (2020-08-08T04:26:07Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)

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。