論文の概要: Empirical comparison between autoencoders and traditional dimensionality
reduction methods
- arxiv url: http://arxiv.org/abs/2103.04874v1
- Date: Mon, 8 Mar 2021 16:26:43 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-09 15:26:30.268943
- Title: Empirical comparison between autoencoders and traditional dimensionality
reduction methods
- Title(参考訳): オートエンコーダと従来の次元削減手法の実証比較
- Authors: Quentin Fournier and Daniel Aloise
- Abstract要約: Isomap, ディープオートエンコーダ, 可変オートエンコーダと比較し, PCAの性能を評価した。
実験の結果、k-NNはPCAで同等の精度を達成し、両方のオートエンコーダの投影で十分な寸法が得られた。
- 参考スコア(独自算出の注目度): 1.9290392443571387
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In order to process efficiently ever-higher dimensional data such as images,
sentences, or audio recordings, one needs to find a proper way to reduce the
dimensionality of such data. In this regard, SVD-based methods including PCA
and Isomap have been extensively used. Recently, a neural network alternative
called autoencoder has been proposed and is often preferred for its higher
flexibility. This work aims to show that PCA is still a relevant technique for
dimensionality reduction in the context of classification. To this purpose, we
evaluated the performance of PCA compared to Isomap, a deep autoencoder, and a
variational autoencoder. Experiments were conducted on three commonly used
image datasets: MNIST, Fashion-MNIST, and CIFAR-10. The four different
dimensionality reduction techniques were separately employed on each dataset to
project data into a low-dimensional space. Then a k-NN classifier was trained
on each projection with a cross-validated random search over the number of
neighbours. Interestingly, our experiments revealed that k-NN achieved
comparable accuracy on PCA and both autoencoders' projections provided a big
enough dimension. However, PCA computation time was two orders of magnitude
faster than its neural network counterparts.
- Abstract(参考訳): 画像,文,音声記録などの超高次元データを効率的に処理するには,そのようなデータの次元性を低減する適切な方法を見つける必要がある。
この点で、PCAやIsomapを含むSVDベースのメソッドが広く使用されている。
近年、オートエンコーダと呼ばれるニューラルネットワークの代替案が提案され、高い柔軟性のためにしばしば好まれている。
本研究の目的は,PCAがいまだに分類の文脈における次元削減の関連技術であることを示すことである。
そこで本研究では,isomap,ディープオートエンコーダ,変分オートエンコーダと比較し,pcaの性能評価を行った。
MNIST、Fashion-MNIST、CIFAR-10の3つの画像データセットで実験を行った。
低次元空間にデータを投影するために、各データセットに4つの異なる次元還元技術が別々に採用された。
その後、k-nn分類器を各射影上で訓練し、隣接数を横断評価したランダム探索を行った。
興味深いことに、我々の実験ではk-NNがPCAで同等の精度を達成し、両方のオートエンコーダの投影が十分な寸法を提供することがわかった。
しかし、PCAの計算時間は、ニューラルネットワークの計算時間よりも2桁速い。
関連論文リスト
- Approaching Metaheuristic Deep Learning Combos for Automated Data Mining [0.5419570023862531]
本研究では,メタヒューリスティック手法を従来の分類器やニューラルネットワークと組み合わせて自動データマイニングを行う手法を提案する。
手書き文字認識のためのMNISTデータセットの実験を行った。
根拠真理ラベル付きデータセットの検証精度は、これまで見つからなかった他のデータインスタンスのラベルを修正するのに不十分である、という実証的な観察がなされた。
論文 参考訳(メタデータ) (2024-10-16T10:28:22Z) - UNETR++: Delving into Efficient and Accurate 3D Medical Image Segmentation [93.88170217725805]
本稿では,高画質なセグメンテーションマスクと,パラメータ,計算コスト,推論速度の両面での効率性を提供するUNETR++という3次元医用画像セグメンテーション手法を提案する。
我々の設計の核となるのは、空間的およびチャネル的な識別的特徴を効率的に学習する、新しい効率的な対注意ブロック(EPA)の導入である。
Synapse, BTCV, ACDC, BRaTs, Decathlon-Lungの5つのベンチマークで評価した結果, 効率と精度の両面で, コントリビューションの有効性が示された。
論文 参考訳(メタデータ) (2022-12-08T18:59:57Z) - Impact of PolSAR pre-processing and balancing methods on complex-valued
neural networks segmentation tasks [9.6556424340252]
複素値ニューラルネットワーク(CVNN)を用いたポラリメトリック合成開口レーダ(PolSAR)のセマンティックセグメンテーションについて検討する。
6つのモデルアーキテクチャ,3つの複素値,それぞれの実等価モデルについて,両手法を徹底的に比較する。
本稿では、このギャップを減らし、全ての入力表現、モデル、データセット前処理の結果を実行するための2つの方法を提案する。
論文 参考訳(メタデータ) (2022-10-28T12:49:43Z) - Efficient Nearest Neighbor Search for Cross-Encoder Models using Matrix
Factorization [60.91600465922932]
本稿では,クロスエンコーダのみに頼って,二重エンコーダによる検索を回避する手法を提案する。
我々のアプローチは、現在の広く使われている方法よりも優れたテスト時間リコール-vs計算コストトレードオフを提供する。
論文 参考訳(メタデータ) (2022-10-23T00:32:04Z) - NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。
所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。
ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
論文 参考訳(メタデータ) (2022-09-29T04:06:00Z) - Variational Sparse Coding with Learned Thresholding [6.737133300781134]
サンプルをしきい値にすることでスパース分布を学習できる変分スパース符号化の新しい手法を提案する。
まず,線形発生器を訓練し,その性能,統計的効率,勾配推定に優れることを示す。
論文 参考訳(メタデータ) (2022-05-07T14:49:50Z) - Focal Sparse Convolutional Networks for 3D Object Detection [121.45950754511021]
我々はスパースCNNの能力を高めるために2つの新しいモジュールを導入する。
焦点スパース・コンボリューション(Focals Conv)であり、焦点スパース・コンボリューションの多様変種である。
スパース・コンボリューションにおける空間的に学習可能な空間空間性は,高度な3次元物体検出に不可欠であることを示す。
論文 参考訳(メタデータ) (2022-04-26T17:34:10Z) - A Local Similarity-Preserving Framework for Nonlinear Dimensionality
Reduction with Neural Networks [56.068488417457935]
本稿では,Vec2vecという新しい局所非線形手法を提案する。
ニューラルネットワークを訓練するために、マトリックスの近傍類似度グラフを構築し、データポイントのコンテキストを定義します。
8つの実データセットにおけるデータ分類とクラスタリングの実験により、Vec2vecは統計仮説テストにおける古典的な次元削減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) (2021-03-10T23:10:47Z) - Non-linear, Sparse Dimensionality Reduction via Path Lasso Penalized
Autoencoders [0.0]
我々は,複雑なデータ構造に対するパスラッソペナルテッドオートエンコーダを提案する。
アルゴリズムは,群ラスソペナルティと非負行列分解を用いて,スパースで非線形な潜在表現を構築する。
このアルゴリズムは,低次元表現のためのスパースPCAやパラメータワイドラッソ正規化オートエンコーダよりもはるかに低い再構成誤差を示す。
論文 参考訳(メタデータ) (2021-02-22T10:14:46Z) - Multi-view Depth Estimation using Epipolar Spatio-Temporal Networks [87.50632573601283]
一つのビデオから多視点深度を推定する新しい手法を提案する。
提案手法は,新しいEpipolar Spatio-Temporal Transformer(EST)を用いて時間的コヒーレントな深度推定を行う。
最近のMixture-of-Expertsモデルにインスパイアされた計算コストを削減するため、我々はコンパクトなハイブリッドネットワークを設計する。
論文 参考訳(メタデータ) (2020-11-26T04:04:21Z)
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。