論文の概要: Shape-driven Coordinate Ordering for Star Glyph Sets via Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2103.02380v1
• Date: Wed, 3 Mar 2021 13:05:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-04 14:46:52.537833
• Title: Shape-driven Coordinate Ordering for Star Glyph Sets via Reinforcement Learning
• Title（参考訳）: 強化学習によるスターグリフ集合の形状駆動コーディネート順序付け
• Authors: Ruizhen Hu, Bin Chen, Juzhan Xu, Oliver van Kaick, Oliver Deussen, Hui Huang
• Abstract要約: 本稿では,スターグリフの座標順序問題を解くために強化学習を訓練したニューラル最適化モデルを提案する。 2つのユーザスタディにより,クラス分離を知覚する上で,本手法による注文が望ましいことが示された。
• 参考スコア（独自算出の注目度）: 32.18699420388572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a neural optimization model trained with reinforcement learning to solve the coordinate ordering problem for sets of star glyphs. Given a set of star glyphs associated to multiple class labels, we propose to use shape context descriptors to measure the perceptual distance between pairs of glyphs, and use the derived silhouette coefficient to measure the perception of class separability within the entire set. To find the optimal coordinate order for the given set, we train a neural network using reinforcement learning to reward orderings with high silhouette coefficients. The network consists of an encoder and a decoder with an attention mechanism. The encoder employs a recurrent neural network (RNN) to encode input shape and class information, while the decoder together with the attention mechanism employs another RNN to output a sequence with the new coordinate order. In addition, we introduce a neural network to efficiently estimate the similarity between shape context descriptors, which allows to speed up the computation of silhouette coefficients and thus the training of the axis ordering network. Two user studies demonstrate that the orders provided by our method are preferred by users for perceiving class separation. We tested our model on different settings to show its robustness and generalization abilities and demonstrate that it allows to order input sets with unseen data size, data dimension, or number of classes. We also demonstrate that our model can be adapted to coordinate ordering of other types of plots such as RadViz by replacing the proposed shape-aware silhouette coefficient with the corresponding quality metric to guide network training.
• Abstract（参考訳）: 本稿では,スターグリフの座標順序問題を解くために強化学習を訓練したニューラル最適化モデルを提案する。 複数のクラスラベルに関連付けられたスターグリフの集合が与えられると、形状文脈記述子を用いてグリフのペア間の知覚距離を測定し、導出シルエット係数を用いて集合全体のクラス分離性の知覚を測定する。 与えられた集合の最適な座標順序を求めるために、強化学習を用いてニューラルネットワークを訓練し、高いシルエット係数を持つ順序を報奨する。 ネットワークは、注意機構を備えたエンコーダとデコーダで構成される。 エンコーダは入力形状とクラス情報をエンコードするためにリカレントニューラルネットワーク(RNN)を使用し、デコーダは注意機構とともに別のRNNを使用して新しい座標順序のシーケンスを出力する。 さらに,形状文脈記述子間の類似性を効率的に推定するニューラルネットワークを導入し,シルエット係数の計算を高速化し,軸順序付けネットワークのトレーニングを行う。 2つのユーザスタディにより,クラス分離を知覚する上で,本手法による注文が望ましいことが示された。 さまざまな設定でモデルをテストして、その堅牢性と一般化能力を示し、知覚できないデータサイズ、データ次元、あるいはクラス数で入力セットを注文できることを実証しました。 また、提案された形状認識シルエット係数を対応する品質メトリックに置き換えてネットワークトレーニングを導くことにより、RadVizなどの他のタイプのプロットの整列に適応できることも実証しています。

関連論文リスト

• Classification with neural networks with quadratic decision functions [1.8720794335381465]
  本稿では,2次決定関数を持つニューラルネットワークの分類への応用について検討する。 特に、手書き桁の分類のためのMNISTデータセット上で、アルゴリズムを検証、比較する。 実装は,それぞれ,ソフトウェアフローとKerasのニューラルネットワーク構造に基づいて行うことができることを示す。
  論文  参考訳（メタデータ） (2024-01-19T14:18:32Z)
• Combinatorial Convolutional Neural Networks for Words [0.0]
  このようなパターンの同定は特定のアプリケーションにとって重要であると我々は主張する。 このようなパターンの同定は特定のアプリケーションにとって重要であると我々は主張する。 単語分類のための畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T07:49:06Z)
• Neural Implicit Dictionary via Mixture-of-Expert Training [111.08941206369508]
  ニューラルインシシット辞書(NID)を学習することで、データとトレーニング効率の両方を達成する汎用INRフレームワークを提案する。 我々のNIDは、所望の関数空間にまたがるように調整された座標ベースのImpworksのグループを組み立てる。 実験の結果,NIDは最大98%の入力データで2次元画像や3次元シーンの再現を2桁高速化できることがわかった。
  論文  参考訳（メタデータ） (2022-07-08T05:07:19Z)
• Dual Octree Graph Networks for Learning Adaptive Volumetric Shape Representations [21.59311861556396]
  本手法は,3次元形状の体積場を,オクツリーによって構成された適応的特徴量で符号化する。 エンコーダ・デコーダネットワークは、オクツリーノードの二重グラフ上のグラフ畳み込みに基づいて、適応的な特徴量を学ぶように設計されている。 提案手法は, 形状詳細を効果的に符号化し, 高速な3次元形状復元を可能にし, 訓練カテゴリから3次元形状をモデル化するための優れた汎用性を示す。
  論文  参考訳（メタデータ） (2022-05-05T17:56:34Z)
• Directed Graph Auto-Encoders [3.2873782624127843]
  Wesfeiler-Lemanアルゴリズムのノードラベルへの直接拡張によって動機付けられた有向グラフのための新しい自動エンコーダのクラスを導入する。 本稿では,提案モデルが有意な潜伏埋め込みを学習し,有向リンク予測タスクにおいて優れた性能を実現する能力を示す。
  論文  参考訳（メタデータ） (2022-02-25T01:19:47Z)
• Optimising for Interpretability: Convolutional Dynamic Alignment Networks [108.83345790813445]
  我々は、畳み込み動的アライメントネットワーク(CoDA Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。 彼らの中核となるビルディングブロックは動的アライメントユニット(DAU)であり、タスク関連パターンに合わせて動的に計算された重みベクトルで入力を変換するように最適化されている。 CoDAネットは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
  論文  参考訳（メタデータ） (2021-09-27T12:39:46Z)
• Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
  本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。 我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
  論文  参考訳（メタデータ） (2021-07-03T01:28:42Z)
• Neural Subdivision [58.97214948753937]
  本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。 すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。 単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
  論文  参考訳（メタデータ） (2020-05-04T20:03:21Z)
• File Classification Based on Spiking Neural Networks [0.5065947993017157]
  スパイクニューラルネットワーク(SNN)に基づく大規模データセットにおけるファイル分類システムを提案する。 提案システムは、推論タスクに対する古典的機械学習アルゴリズムの代替として有効なものである可能性がある。
  論文  参考訳（メタデータ） (2020-04-08T11:50:29Z)
• Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
  グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。 本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
  論文  参考訳（メタデータ） (2020-03-27T08:32:16Z)
• Learn to Predict Sets Using Feed-Forward Neural Networks [63.91494644881925]
  本稿では、ディープフィードフォワードニューラルネットワークを用いた設定予測の課題に対処する。 未知の置換と基数を持つ集合を予測するための新しい手法を提案する。 関連視覚問題に対する集合定式化の有効性を実証する。
  論文  参考訳（メタデータ） (2020-01-30T01:52:07Z)

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。