論文の概要: Multi-point dimensionality reduction to improve projection layout
reliability
- arxiv url: http://arxiv.org/abs/2101.06224v1
- Date: Fri, 15 Jan 2021 17:17:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-28 11:19:09.181258
- Title: Multi-point dimensionality reduction to improve projection layout
reliability
- Title(参考訳): プロジェクションレイアウトの信頼性向上のための多点次元削減
- Authors: Farshad Barahimi and Fernando Paulovich
- Abstract要約: 通常の次元還元(dr)では、m-次元空間(原空間)の各データインスタンスは、d-次元空間(視覚空間)内の一点にマッピングされる。
当社のソリューションであるRed Gray Plusは、通常のDRとグラフ描画技術を組み合わせて構築され、拡張されています。
- 参考スコア(独自算出の注目度): 77.34726150561087
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In ordinary Dimensionality Reduction (DR), each data instance in an
m-dimensional space (original space) is mapped to one point in a d-dimensional
space (visual space), preserving as much as possible distance and/or
neighborhood relationships. Despite their popularity, even for simple datasets,
the existing DR techniques unavoidably may produce misleading visual
representations. The problem is not with the existing solutions but with
problem formulation. For two dimensional visual space, if data instances are
not co-planar or do not lie on a 2D manifold, there is no solution for the
problem, and the possible approximations usually result in layouts with
inaccuracies in the distance preservation and overlapped neighborhoods. In this
paper, we elaborate on the concept of Multi-point Dimensionality Reduction
where each data instance can be mapped to possibly more than one point in the
visual space by providing the first general solution to it as a step toward
mitigating this issue. By duplicating points, background information is added
to the visual representation making local neighborhoods in the visual space
more faithful to the original space. Our solution, named Red Gray Plus, is
built upon and extends a combination of ordinary DR and graph drawing
techniques. We show that not only Multi-point Dimensionality Reduction can be
one of the potential directions to improve DR layouts' reliability but also
that our initial solution to the problem outperforms popular ordinary DR
methods quantitatively.
- Abstract(参考訳): 通常の次元還元(dr)では、m-次元空間(原空間)内の各データインスタンスはd-次元空間(視覚空間)内の一点にマッピングされ、可能な限り距離と近傍の関係を保つ。
その人気にもかかわらず、単純なデータセットであっても、既存のDR技術は必然的に誤解を招く視覚表現を生み出す可能性がある。
問題は既存のソリューションではなく、問題定式化にある。
2次元の視覚空間では、データインスタンスがコプラナーでない場合や、2次元多様体上にない場合、問題に対する解決策はなく、可能な近似は通常、距離保存と重複した近傍における不正確なレイアウトをもたらす。
本稿では,この問題を緩和するための第1の一般解を提供することにより,各データインスタンスを可視空間内の複数の点にマッピングできる多点次元縮小の概念を詳述する。
点を重複させることで、元の空間に忠実な視覚空間内の局所的な近傍を視覚表現に背景情報を加える。
私たちのソリューションはred gray plusと呼ばれ、通常のdrとグラフ描画技術を組み合わせて構築されています。
本研究は,DRレイアウトの信頼性向上に寄与する可能性の1つとして,多点次元削減法が有効であるだけでなく,一般のDR手法を定量的に比較した。
関連論文リスト
- Interpreting the Curse of Dimensionality from Distance Concentration and
Manifold Effect [0.6906005491572401]
まず,高次元データの操作に関する5つの課題を要約する。
次に、次元、距離集中、多様体効果の呪いの2つの主要な原因を掘り下げる。
次元の呪いの原因を解釈することで、現在のモデルやアルゴリズムの限界をよりよく理解することができる。
論文 参考訳(メタデータ) (2023-12-31T08:22:51Z) - DimenFix: A novel meta-dimensionality reduction method for feature
preservation [64.0476282000118]
そこで我々は, グラデーション・ディフレッシブなプロセスを含む任意の基本次元還元法で操作できる新しいメタメソド, DimenFixを提案する。
DimenFixは、ディメンタリティの削減と見なされるさまざまな機能の重要性をユーザが定義できるようにすることで、与えられたデータセットを視覚化し、理解する新たな可能性を生み出します。
論文 参考訳(メタデータ) (2022-11-30T05:35:22Z) - Neural 3D Scene Reconstruction with the Manhattan-world Assumption [58.90559966227361]
本稿では,多視点画像から3次元屋内シーンを再構築する課題について述べる。
平面的制約は、最近の暗黙の神経表現に基づく再構成手法に便利に組み込むことができる。
提案手法は, 従来の手法よりも3次元再構成品質に優れていた。
論文 参考訳(メタデータ) (2022-05-05T17:59:55Z) - Visual Cluster Separation Using High-Dimensional Sharpened
Dimensionality Reduction [65.80631307271705]
高次元シャープ化DR(HD-SDR)は、合成データセットと実世界のデータセットの両方で試験される。
提案手法は,高品質(品質指標による測定)を達成し,大規模高次元データを用いて計算的に精度よくスケールする。
具体的な応用を説明するため,近年の天文カタログにHD-SDRを適用した。
論文 参考訳(メタデータ) (2021-10-01T11:13:51Z) - Towards Fine-grained 3D Face Dense Registration: An Optimal Dividing and
Diffusing Method [17.38748022631488]
3D&2D顔解析における3D面間のDense-to-vertex対応は基本的かつ困難な問題である。
本稿では,次元劣化問題,すなわち直線の比例分断による密度登録を再検討する。
我々は最終解に一意に到達するために反復分割拡散法を用いる。
論文 参考訳(メタデータ) (2021-09-23T08:31:35Z) - A Local Similarity-Preserving Framework for Nonlinear Dimensionality
Reduction with Neural Networks [56.068488417457935]
本稿では,Vec2vecという新しい局所非線形手法を提案する。
ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。
8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減法よりも優れていることが示された。
論文 参考訳(メタデータ) (2021-03-10T23:10:47Z) - Recurrent Multi-view Alignment Network for Unsupervised Surface
Registration [79.72086524370819]
非厳格な登録をエンドツーエンドで学習することは、本質的に高い自由度とラベル付きトレーニングデータの欠如により困難である。
我々は、いくつかの剛性変換のポイントワイドな組み合わせで、非剛性変換を表現することを提案する。
また,投影された多視点2次元深度画像上での3次元形状の類似度を計測する可微分損失関数も導入する。
論文 参考訳(メタデータ) (2020-11-24T14:22:42Z) - A Distance-preserving Matrix Sketch [0.7734726150561086]
長方行列の行と列のサブセットをそれぞれ選択する2つの新しいアルゴリズムを導入する。
この選択は、できるだけ近い距離を保つように設計されている。
行列のスケッチを、さまざまな人工的および実際のデータセットの、より伝統的な代替品と比較する。
論文 参考訳(メタデータ) (2020-09-08T20:15:14Z) - A Grid-based Method for Removing Overlaps of Dimensionality Reduction
Scatterplot Layouts [40.11095094521714]
Distance Grid (DGrid) は、DDR(Diality Reduction) scatterplotレイアウトのオーバーラップを取り除くための新しい後処理戦略である。
元のレイアウトの特徴を忠実に保存し、最小のグリフサイズを束縛する。
論文 参考訳(メタデータ) (2019-03-08T18:20:36Z) - Concise Fuzzy Planar Embedding of Graphs: a Dimensionality Reduction
Approach [0.2867517731896504]
グラフ表現を$k$次元空間にマッピングし、主にユークリッド距離を測定することによって近隣ノードの問い合わせに答える。
答えの正確さは低下するが、ファジィ論理によって補償される。
論文 参考訳(メタデータ) (2018-03-08T14:44:56Z)
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。