論文の概要: Multi-view Data Visualisation via Manifold Learning
- arxiv url: http://arxiv.org/abs/2101.06763v1
- Date: Sun, 17 Jan 2021 19:54:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-27 22:48:33.354457
- Title: Multi-view Data Visualisation via Manifold Learning
- Title（参考訳）: マニフォールド学習による多視点データ可視化
- Authors: Theodoulos Rodosthenous and Vahid Shahrezaei and Marina Evangelou
- Abstract要約: 本論文は, 学生のT分散SNE, LLE, ISOMAPの拡張を提案し, 多視点データの次元的縮小と可視化を可能にする。
マルチビューマニホールド学習手法で得られた低次元埋め込みをK平均アルゴリズムに組み込むことにより、サンプルのクラスタを正確に特定できることを示した。
- 参考スコア（独自算出の注目度）: 0.03222802562733786
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Manifold learning approaches, such as Stochastic Neighbour Embedding (SNE),
Locally Linear Embedding (LLE) and Isometric Feature Mapping (ISOMAP) have been
proposed for performing non-linear dimensionality reduction. These methods aim
to produce two or three latent embeddings, in order to visualise the data in
intelligible representations. This manuscript proposes extensions of Student's
t-distributed SNE (t-SNE), LLE and ISOMAP, to allow for dimensionality
reduction and subsequent visualisation of multi-view data.
Nowadays, it is very common to have multiple data-views on the same samples.
Each data-view contains a set of features describing different aspects of the
samples. For example, in biomedical studies it is possible to generate multiple
OMICS data sets for the same individuals, such as transcriptomics, genomics,
epigenomics, enabling better understanding of the relationships between the
different biological processes.
Through the analysis of real and simulated datasets, the visualisation
performance of the proposed methods is illustrated. Data visualisations have
been often utilised for identifying any potential clusters in the data sets. We
show that by incorporating the low-dimensional embeddings obtained via the
multi-view manifold learning approaches into the K-means algorithm, clusters of
the samples are accurately identified. Our proposed multi-SNE method
outperforms the corresponding multi-ISOMAP and multi-LLE proposed methods.
Interestingly, multi-SNE is found to have comparable performance with methods
proposed in the literature for performing multi-view clustering.
- Abstract（参考訳）: 確率的近傍埋め込み(sne)、局所線形埋め込み(lle)、等尺特徴マッピング(isomap)といった多様体学習手法が非線形次元減少のために提案されている。
これらの手法は、データを理解可能な表現で視覚化するために、2つか3つの潜在埋め込みを生成することを目的としている。
本論文は, 学生のt分散SNE(t-SNE), LLE, ISOMAPの拡張を提案する。
今日では、同じサンプルに複数のデータビューを持つことが非常に一般的です。
各データビューには、サンプルの異なる側面を記述する一連の機能が含まれている。
例えば、生物医学研究では、転写学、ゲノム学、疫学など、同一個人のために複数のOMICSデータセットを生成することができ、異なる生物学的プロセス間の関係をよりよく理解することができる。
実データとシミュレーションデータの解析を通じて,提案手法の可視化性能について述べる。
データビジュアライゼーションは、データセット内の潜在的なクラスタを特定するためにしばしば使用される。
マルチビュー多様体学習手法を用いて得られた低次元埋め込みをK-meansアルゴリズムに組み込むことで,サンプルのクラスタを正確に同定できることを示す。
提案手法は,マルチISOMAP法とマルチLLE法より優れている。
興味深いことに、マルチSNEはマルチビュークラスタリングを行うための文献で提案されている手法と同等の性能を持つ。
関連論文リスト
- Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳（メタデータ） (2023-09-25T12:31:18Z) - Scalable Randomized Kernel Methods for Multiview Data Integration and
Prediction [4.801208484529834]
複数のソースからのデータを協調的に関連づけるスケーラブルなランダム化カーネル手法を開発し、同時に結果を予測するか、ユニットを2つ以上のクラスに分類する。
提案手法は,多視点データにおける非線形関係を,臨床結果の予測とともにモデル化し,ビュー間の関係に最も寄与する変数や変数群を同定する。
論文 参考訳（メタデータ） (2023-04-10T16:14:42Z) - Deep Incomplete Multi-view Clustering with Cross-view Partial Sample and
Prototype Alignment [50.82982601256481]
深層不完全なマルチビュークラスタリングのためのクロスビュー部分サンプルとプロトタイプアライメントネットワーク(CPSPAN)を提案する。
従来のコントラストベースの手法とは異なり、インスタンスとインスタンスの対応構築を導くために、ペア観測データアライメントを「プロキシ監視信号」として採用する。
論文 参考訳（メタデータ） (2023-03-28T02:31:57Z) - Cross-view Graph Contrastive Representation Learning on Partially
Aligned Multi-view Data [52.491074276133325]
マルチビュー表現学習は、過去数十年間で急速に発展し、多くの分野に応用されてきた。
本稿では,多視点情報を統合してデータアライメントを行い,潜在表現を学習する,新しいクロスビューグラフコントラスト学習フレームワークを提案する。
複数の実データを用いて実験を行い,クラスタリングおよび分類作業における提案手法の有効性を示した。
論文 参考訳（メタデータ） (2022-11-08T09:19:32Z) - Subspace-Contrastive Multi-View Clustering [0.0]
本稿では,SCMC(Subspace-Contrastive Multi-View Clustering)アプローチを提案する。
ビュー固有のオートエンコーダを用いて、元のマルチビューデータを非線形構造を知覚するコンパクトな特徴にマッピングする。
提案モデルの有効性を実証するために,8つの課題データセットに対して比較実験を多数実施する。
論文 参考訳（メタデータ） (2022-10-13T07:19:37Z) - S-multi-SNE: Semi-Supervised Classification and Visualisation of
Multi-View Data [0.03222802562733786]
マルチビューデータは複数のデータビューに対応しており、それぞれが同じサンプルセットの異なる側面を表している。
我々は最近,t-SNEの拡張であるMulti-SNEを提案し,マルチビューデータの単一可視化を行った。
本稿では,複数SNEを半教師付きアプローチに拡張し,ラベル付け情報を付加データビューとして分類する。
論文 参考訳（メタデータ） (2021-11-05T14:19:28Z) - A Variational Information Bottleneck Approach to Multi-Omics Data
Integration [98.6475134630792]
本稿では,不完全な多視点観測のための深い変動情報ボトルネック (IB) 手法を提案する。
本手法は,対象物に関連のある視点内および視点間相互作用に焦点をあてるために,観測された視点の辺縁および結合表現にISBフレームワークを適用した。
実世界のデータセットの実験から、我々の手法はデータ統合から常に利益を得て、最先端のベンチマークより優れています。
論文 参考訳（メタデータ） (2021-02-05T06:05:39Z) - Orthogonal Multi-view Analysis by Successive Approximations via
Eigenvectors [7.870955752916424]
このフレームワークは、複数のビューに相関関係、教師付き識別能力、距離保存を統合する。
特殊ケースとして既存のモデルがいくつか含まれているだけでなく、新しいモデルにもインスピレーションを与えている。
多視点識別分析と多視点多ラベル分類のための実世界のデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2020-10-04T17:16:15Z) - Learning Inter- and Intra-manifolds for Matrix Factorization-based
Multi-Aspect Data Clustering [3.756550107432323]
近年,マルチビューやマルチタイプリレーショナルデータなど,複数の側面を持つデータのクラスタリングが普及している。
我々は,データクラスタリングのための多種多様な多様体を学習するために,異なるデータ型(またはビュー)のデータポイントの距離情報を利用するNMFフレームワークに多様体を組み込むことを提案する。
いくつかのデータセットの結果から,提案手法は精度と効率の両面において,最先端のマルチアスペクトデータクラスタリング手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） (2020-09-07T02:21:08Z) - Unsupervised Multi-view Clustering by Squeezing Hybrid Knowledge from
Cross View and Each View [68.88732535086338]
本稿では,適応グラフ正規化に基づくマルチビュークラスタリング手法を提案する。
5つの多視点ベンチマークの実験結果から,提案手法が他の最先端手法をクリアマージンで上回ることを示す。
論文 参考訳（メタデータ） (2020-08-23T08:25:06Z) - Generative Partial Multi-View Clustering [133.36721417531734]
本稿では,不完全なマルチビュー問題に対処するため,GP-MVCと呼ばれる生成的部分的マルチビュークラスタリングモデルを提案する。
まず、マルチビューエンコーダネットワークをトレーニングして、一般的な低次元表現を学習し、次にクラスタリング層を使用して複数のビューをまたいだ一貫したクラスタ構造をキャプチャする。
第2に、他のビューが与える共有表現に基づいて、1つのビュー条件の欠落データを生成するために、ビュー固有の生成敵ネットワークを開発する。
論文 参考訳（メタデータ） (2020-03-29T17:48:27Z)
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。