論文の概要: Quadric hypersurface intersection for manifold learning in feature space

• arxiv url: http://arxiv.org/abs/2102.06186v1
• Date: Thu, 11 Feb 2021 18:52:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-12 14:21:27.132231
• Title: Quadric hypersurface intersection for manifold learning in feature space
• Title（参考訳）: 特徴空間における多様体学習のための擬似超曲面交叉
• Authors: Fedor Pavutnitskiy, Sergei O. Ivanov, Evgeny Abramov, Viacheslav Borovitskiy, Artem Klochkov, Viktor Vialov, Anatolii Zaikovskii, Aleksandr Petiushko
• Abstract要約: 適度な高次元と大きなデータセットに適した多様体学習技術。 この手法は、二次超曲面の交点という形で訓練データから学習される。 テスト時、この多様体は任意の新しい点に対する外れ値スコアを導入するのに使うことができる。
• 参考スコア（独自算出の注目度）: 52.83976795260532
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The knowledge that data lies close to a particular submanifold of the ambient Euclidean space may be useful in a number of ways. For instance, one may want to automatically mark any point far away from the submanifold as an outlier, or to use its geodesic distance to measure similarity between points. Classical problems for manifold learning are often posed in a very high dimension, e.g. for spaces of images or spaces of representations of words. Today, with deep representation learning on the rise in areas such as computer vision and natural language processing, many problems of this kind may be transformed into problems of moderately high dimension, typically of the order of hundreds. Motivated by this, we propose a manifold learning technique suitable for moderately high dimension and large datasets. The manifold is learned from the training data in the form of an intersection of quadric hypersurfaces -- simple but expressive objects. At test time, this manifold can be used to introduce an outlier score for arbitrary new points and to improve a given similarity metric by incorporating learned geometric structure into it.
• Abstract（参考訳）: データが周囲のユークリッド空間の特定の部分多様体に近いという知識は、いくつかの点で有用である。 例えば、部分多様体から遠く離れた点を外れ値として自動的にマークしたり、その測地線距離を使って点間の類似度を計測したりすることができる。 多様体学習の古典的な問題は、例えば、非常に高い次元でしばしば提起される。 画像の空間や単語の表現の空間についてです 今日、コンピュータビジョンや自然言語処理などの領域で深い表現学習が行われると、この種の多くの問題は、通常数百の順序で、中程度に高い次元の問題に変換される可能性があります。 そこで本研究では,適度な高次元および大規模データセットに適した多様体学習手法を提案する。 多様体は、四次超曲面の交差の形でトレーニングデータから学習される - 単純だが表現力のあるオブジェクト。 テスト時、この多様体は任意の新しい点に対する外れ値を導入し、学習された幾何学的構造を取り入れることで与えられた類似度メートル法を改善するために使うことができる。

関連論文リスト

• Hyperbolic Geometry in Computer Vision: A Survey [37.76526815020212]
  本稿では,コンピュータビジョン応用のための双曲空間について,これまでかつ最も最新の文献レビューを行う。 はじめに双曲幾何学の背景について紹介し、続いて視覚的応用の文脈において双曲空間の幾何学的先行性を持つアルゴリズムを包括的に研究した。
  論文  参考訳（メタデータ） (2023-04-21T06:22:16Z)
• Exploring Data Geometry for Continual Learning [64.4358878435983]
  非定常データストリームのデータ幾何を探索することにより,新しい視点から連続学習を研究する。 提案手法は,新しいデータによって引き起こされる幾何構造に対応するために,基底空間の幾何学を動的に拡張する。 実験により,本手法はユークリッド空間で設計したベースライン法よりも優れた性能が得られることが示された。
  論文  参考訳（メタデータ） (2023-04-08T06:35:25Z)
• Unsupervised Manifold Linearizing and Clustering [17.252562935291497]
  本稿では,クラスタリングを行い,最大符号化率の削減による部分空間の和合表現を学習することを提案する。 合成および現実的なデータセットの実験により,提案手法は,最先端の代替手法に匹敵するクラスタリング精度を実現することを示した。
  論文  参考訳（メタデータ） (2023-01-04T20:08:23Z)
• Semi-Supervised Manifold Learning with Complexity Decoupled Chart Autoencoders [65.2511270059236]
  本研究は、クラスラベルなどの半教師付き情報を付加できる非対称符号化復号プロセスを備えたチャートオートエンコーダを導入する。 データ多様体の内在次元に依存するネットワークの理論的近似力について論じる。
  論文  参考訳（メタデータ） (2022-08-22T19:58:03Z)
• Algebraic Machine Learning with an Application to Chemistry [0.0]
  我々はスムーズな仮定に頼ることなく、微粒な幾何学的情報をキャプチャする機械学習パイプラインを開発した。 特に,基礎変数の特異点近傍にある点を数値的に検出する手法を提案する。
  論文  参考訳（メタデータ） (2022-05-11T22:41:19Z)
• Incorporating Texture Information into Dimensionality Reduction for High-Dimensional Images [65.74185962364211]
  距離ベース次元削減手法に周辺情報を組み込む手法を提案する。 画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
  論文  参考訳（メタデータ） (2022-02-18T13:17:43Z)
• Switch Spaces: Learning Product Spaces with Sparse Gating [48.591045282317424]
  製品空間における表現を学習するためのデータ駆動アプローチであるswitch spacesを提案する。 我々は空間の選択、結合、切り替えを学習するスパースゲーティング機構を導入する。 知識グラフの補完と項目レコメンデーションの実験により,提案したスイッチ空間が新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2021-02-17T11:06:59Z)
• Manifold Learning via Manifold Deflation [105.7418091051558]
  次元削減法は、高次元データの可視化と解釈に有用な手段を提供する。 多くの一般的な手法は単純な2次元のマニフォールドでも劇的に失敗する。 本稿では,グローバルな構造を座標として組み込んだ,新しいインクリメンタルな空間推定器の埋め込み手法を提案する。 実験により,本アルゴリズムは実世界および合成データセットに新規で興味深い埋め込みを復元することを示した。
  論文  参考訳（メタデータ） (2020-07-07T10:04:28Z)
• On Equivariant and Invariant Learning of Object Landmark Representations [36.214069685880986]
  実例識別学習と空間識別学習を組み合わせた,シンプルで効果的な手法を開発した。 深層ネットワークが幾何学的および測光的変換に不変であるように訓練されると、その中間層から表現が出現し、物体のランドマークを高い精度で予測できることが示される。
  論文  参考訳（メタデータ） (2020-06-26T04:06:56Z)
• Multi-Objective Genetic Programming for Manifold Learning: Balancing Quality and Dimensionality [4.4181317696554325]
  最先端の多様体学習アルゴリズムはこの変換の実行方法において不透明である。 多様体の品質と次元の競合する目的を自動的にバランスさせる多目的アプローチを導入する。 提案手法は,基礎および最先端の多様体学習手法と競合する。
  論文  参考訳（メタデータ） (2020-01-05T23:24:33Z)

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。