論文の概要: Manifold Density Estimation via Generalized Dequantization

• arxiv url: http://arxiv.org/abs/2102.07143v1
• Date: Sun, 14 Feb 2021 12:40:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 16:04:22.273551
• Title: Manifold Density Estimation via Generalized Dequantization
• Title（参考訳）: 一般化dequantizationによる多様体密度推定
• Authors: James A. Brofos, Marcus A. Brubaker, Roy R. Lederman
• Abstract要約: ある種のデータは、その基礎となる幾何学がユークリッドであると仮定してよくモデル化されていない。 例えば、ある種のデータは球面上に存在することが知られているかもしれない。 そこで我々は,周辺ユークリッド空間の座標変換を通じて解釈する「量子化」に関する文献に触発された手法を提案する。
• 参考スコア（独自算出の注目度）: 9.090451761951101
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Density estimation is an important technique for characterizing distributions given observations. Much existing research on density estimation has focused on cases wherein the data lies in a Euclidean space. However, some kinds of data are not well-modeled by supposing that their underlying geometry is Euclidean. Instead, it can be useful to model such data as lying on a {\it manifold} with some known structure. For instance, some kinds of data may be known to lie on the surface of a sphere. We study the problem of estimating densities on manifolds. We propose a method, inspired by the literature on "dequantization," which we interpret through the lens of a coordinate transformation of an ambient Euclidean space and a smooth manifold of interest. Using methods from normalizing flows, we apply this method to the dequantization of smooth manifold structures in order to model densities on the sphere, tori, and the orthogonal group.
• Abstract（参考訳）: 密度推定は観測された分布を特徴付ける重要な手法である。 密度推定に関する多くの研究は、データがユークリッド空間にある場合に焦点を当てている。 しかしながら、ある種類のデータはユークリッド幾何学が基礎となるという仮定によって十分にモデル化されていない。 代わりに、ある既知の構造を持つ a {\it manifold} 上のようなデータをモデル化するのも有用である。 例えば、ある種のデータは球面上に存在することが知られているかもしれない。 多様体上の密度を推定する問題を考察する。 本論文では,周辺ユークリッド空間の座標変換と円滑な多様体のレンズを通して解釈する「量子化」の文献に触発された手法を提案する。 フローの正規化の手法を用いて、球面、トーラスおよび直交群上の密度をモデル化するために、滑らかな多様体構造の等化にこの手法を適用する。

関連論文リスト

• Density Ratio Estimation via Sampling along Generalized Geodesics on Statistical Manifolds [0.951494089949975]
  インクリメンタルな混合に基づく密度比推定のための既存の手法を幾何学的に再解釈する。 そのような方法を達成するには、モンテカルロは2つの分布の変換を通して測地線に沿ってサンプリングする必要がある。 提案手法が既存手法より優れていることを示す実験を行った。
  論文  参考訳（メタデータ） (2024-06-27T00:44:46Z)
• Scaling Riemannian Diffusion Models [68.52820280448991]
  非自明な多様体上の高次元タスクにスケールできることを示す。 我々は、$SU(n)$格子上のQCD密度と高次元超球面上の対照的に学習された埋め込みをモデル化する。
  論文  参考訳（メタデータ） (2023-10-30T21:27:53Z)
• Generative Modeling on Manifolds Through Mixture of Riemannian Diffusion Processes [57.396578974401734]
  一般多様体上に生成拡散過程を構築するための原理的枠組みを導入する。 従来の拡散モデルの認知的アプローチに従う代わりに、橋梁プロセスの混合を用いて拡散過程を構築する。 混合過程を幾何学的に理解し,データ点への接する方向の重み付け平均としてドリフトを導出する。
  論文  参考訳（メタデータ） (2023-10-11T06:04:40Z)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• Intrinsic Gaussian Process on Unknown Manifolds with Probabilistic Metrics [5.582101184758529]
  本稿では、点雲に確率的測度を持つ未知多様体上の回帰のための固有ガウス過程を構築するための新しいアプローチを提案する。 多様体の幾何学は一般に通常のユークリッド幾何学と異なる。 GPUMの応用は、スイスロール、WiFi信号の高次元実データセット、画像データ例のシミュレーション研究で説明されている。
  論文  参考訳（メタデータ） (2023-01-16T17:42:40Z)
• Time-inhomogeneous diffusion geometry and topology [69.55228523791897]
  拡散凝縮(英: Diffusion condensation)は、各ステップが最初に計算し、そのデータに拡散演算子を適用する時間不均質な過程である。 我々はこの過程の収束と進化を幾何学的、スペクトル的、位相的観点から理論的に分析する。 我々の研究は拡散凝縮の収束に関する理論的洞察を与え、トポロジカルデータ解析と幾何学的データ解析のリンクを提供することを示している。
  論文  参考訳（メタデータ） (2022-03-28T16:06:17Z)
• Inferring Manifolds From Noisy Data Using Gaussian Processes [17.166283428199634]
  ほとんどの既存の多様体学習アルゴリズムは、元のデータを低次元座標で置き換える。 本稿では,これらの問題に対処するための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:50:38Z)
• Normal-bundle Bootstrap [2.741266294612776]
  本稿では,与えられたデータセットの幾何学的構造を保持する新しいデータを生成する手法を提案する。 微分幾何学における多様体学習と概念のアルゴリズムにインスパイアされた本手法は,基礎となる確率測度を余分化測度に分解する。 本手法は, 密度リッジおよび関連統計量の推定に応用し, オーバーフィッティングを低減するためにデータ拡張を行う。
  論文  参考訳（メタデータ） (2020-07-27T21:14:19Z)
• 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)
• Disentangling by Subspace Diffusion [72.1895236605335]
  データ多様体の完全教師なし分解は、多様体の真の計量が知られている場合、可能であることを示す。 我々の研究は、教師なしメートル法学習が可能であるかどうかという問題を減らし、表現学習の幾何学的性質に関する統一的な洞察を提供する。
  論文  参考訳（メタデータ） (2020-06-23T13:33:19Z)

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。