論文の概要: Joint Characterization of Multiscale Information in High Dimensional Data

• arxiv url: http://arxiv.org/abs/2102.09669v1
• Date: Thu, 18 Feb 2021 23:33:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-22 15:40:26.455402
• Title: Joint Characterization of Multiscale Information in High Dimensional Data
• Title（参考訳）: 高次元データにおけるマルチスケール情報の連成評価
• Authors: Daniel Sousa, Christopher Small
• Abstract要約: グローバルアプローチとローカルアプローチの相乗効果を生かした多スケール共同評価手法を提案します。 関節の特徴は, PCA や t-sne のいずれからも明らかでない信号の検出と分離が可能であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: High dimensional data can contain multiple scales of variance. Analysis tools that preferentially operate at one scale can be ineffective at capturing all the information present in this cross-scale complexity. We propose a multiscale joint characterization approach designed to exploit synergies between global and local approaches to dimensionality reduction. We illustrate this approach using Principal Components Analysis (PCA) to characterize global variance structure and t-stochastic neighbor embedding (t-sne) to characterize local variance structure. Using both synthetic images and real-world imaging spectroscopy data, we show that joint characterization is capable of detecting and isolating signals which are not evident from either PCA or t-sne alone. Broadly, t-sne is effective at rendering a randomly oriented low-dimensional map of local clusters, and PCA renders this map interpretable by providing global, physically meaningful structure. This approach is illustrated using imaging spectroscopy data, and may prove particularly useful for other geospatial data given robust local variance structure due to spatial autocorrelation and physical interpretability of global variance structure due to spectral properties of Earth surface materials. However, the fundamental premise could easily be extended to other high dimensional datasets, including image time series and non-image data.
• Abstract（参考訳）: 高次元データは複数のばらつきを含むことができる。 1つのスケールで優先的に動作する分析ツールは、このクロススケールの複雑さに存在するすべての情報を取得するのに効果的ではない。 グローバルアプローチとローカルアプローチの相乗効果を生かした多スケール共同評価手法を提案します。 本稿では,主成分分析(PCA)を用いてグローバル分散構造を特徴づける手法と,局所分散構造を特徴づけるt-stochastic neighbor embeddedding (t-sne)を提案する。 合成画像と実世界画像分光データの両方を用いて,PCAやt-sneだけでは明らかでない信号の検出と分離が可能であることを示す。 広くは、t-sneは局所クラスタのランダムに向き付けられた低次元マップのレンダリングに有効であり、PCAはグローバルで物理的に意味のある構造を提供することで、このマップを解釈可能である。 このアプローチはイメージング分光データを用いて示され、地球表面物質のスペクトル特性による空間的自己相関と大域的分散構造の物理的解釈性により、ロバストな局所分散構造を与える他の地理空間データに特に有用である。 しかし、基本的な前提は画像時系列や非画像データを含む他の高次元データセットに容易に拡張できる。

関連論文リスト

• Entropic Optimal Transport Eigenmaps for Nonlinear Alignment and Joint Embedding of High-Dimensional Datasets [11.105392318582677]
  本稿では,理論的保証付きデータセットの整列と共同埋め込みの原理的アプローチを提案する。 提案手法は,2つのデータセット間のEOT計画行列の先頭特異ベクトルを利用して,それらの共通基盤構造を抽出する。 EOT計画では,高次元状態において,潜伏変数の位置で評価されたカーネル関数を近似することにより,共有多様体構造を復元する。
  論文  参考訳（メタデータ） (2024-07-01T18:48:55Z)
• Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
  教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。 本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。 これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
  論文  参考訳（メタデータ） (2024-02-03T19:00:19Z)
• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• Learning transformer-based heterogeneously salient graph representation for multimodal remote sensing image classification [42.15709954199397]
  本稿では,変圧器を用いたヘテロジニアサリエントグラフ表現法(THSGR)を提案する。 まず、多モード不均一グラフエンコーダを用いて、非ユークリッド構造の特徴を異種データから符号化する。 自己アテンションフリーなマルチ畳み込み変調器は、効果的かつ効率的な長期依存性モデリングのために設計されている。
  論文  参考訳（メタデータ） (2023-11-17T04:06:20Z)
• Locality-preserving Directions for Interpreting the Latent Space of Satellite Image GANs [20.010911311234718]
  本稿では,ウェーブレットをベースとしたGAN(Generative Adversarial Networks)の潜伏空間を解釈する局所性認識手法を提案する。 局所性を保存することに集中して,提案手法は事前学習したGANの重み空間を分解し,解釈可能な方向を復元することができる。
  論文  参考訳（メタデータ） (2023-09-26T12:29:36Z)
• Preserving local densities in low-dimensional embeddings [37.278617643507815]
  tSNEやUMAPのような最先端の手法は、高次元データに隠された局所構造を明らかにするのに優れている。 しかし, これらの手法は, 密度の相対的差など, 局所的な特性の再構築に失敗することを示す。 局所密度をほぼ保存するdtSNEを提案する。
  論文  参考訳（メタデータ） (2023-01-31T16:11:54Z)
• 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)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• HyperPCA: a Powerful Tool to Extract Elemental Maps from Noisy Data Obtained in LIBS Mapping of Materials [7.648784748888189]
  本稿では,データのスパース表現に基づくハイパースペクトル画像解析ツールHyperPCAを紹介する。 本手法は, 得られた情報量と品質の両面での優位性を示し, 解析面の物理化学的特性の改善を図っている。
  論文  参考訳（メタデータ） (2021-11-30T07:52:44Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)

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。