論文の概要: Topology Applied to Machine Learning: From Global to Local
- arxiv url: http://arxiv.org/abs/2103.05796v1
- Date: Wed, 10 Mar 2021 00:36:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 14:42:40.268998
- Title: Topology Applied to Machine Learning: From Global to Local
- Title(参考訳): 機械学習に応用したトポロジー: グローバルからローカルへ
- Authors: Henry Adams and Michael Moy
- Abstract要約: 2000年代前半の持続的ホモロジーの誕生以来,応用トポロジーがいかに進化してきたかを示す。
永続ホモロジー(Persistent homology)は、データの局所幾何学に関する問題に用いられる。
私たちのメタ仮説は、短いバーが多くの機械学習タスクの長いバーと同じくらい重要であるということです。
- 参考スコア(独自算出の注目度): 0.8223798883838329
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Through the use of examples, we explain one way in which applied topology has
evolved since the birth of persistent homology in the early 2000s. The first
applications of topology to data emphasized the global shape of a dataset, such
as the three-circle model for $3 \times 3$ pixel patches from natural images,
or the configuration space of the cyclo-octane molecule, which is a sphere with
a Klein bottle attached via two circles of singularity. In these studies of
global shape, short persistent homology bars are disregarded as sampling noise.
More recently, however, persistent homology has been used to address questions
about the local geometry of data. For instance, how can local geometry be
vectorized for use in machine learning problems? Persistent homology and its
vectorization methods, including persistence landscapes and persistence images,
provide popular techniques for incorporating both local geometry and global
topology into machine learning. Our meta-hypothesis is that the short bars are
as important as the long bars for many machine learning tasks. In defense of
this claim, we survey applications of persistent homology to shape recognition,
agent-based modeling, materials science, archaeology, and biology.
Additionally, we survey work connecting persistent homology to geometric
features of spaces, including curvature and fractal dimension, and various
methods that have been used to incorporate persistent homology into machine
learning.
- Abstract(参考訳): 実例を用いて,2000年代初頭の持続的ホモロジーの誕生以来,応用トポロジーが進化してきた1つの方法を説明する。
最初のデータへのトポロジーの応用は、自然画像からの3-円3$ピクセルパッチの3つの円モデルや、2つの特異点の円を介してクラインボトルが取り付けられた球体であるシクロオクタン分子の構成空間など、データセットの全体的な形状を強調した。
全球形状の研究では、短い持続ホモロジーバーはサンプリングノイズとして無視される。
しかし、最近では永続ホモロジーがデータの局所幾何学に関する疑問に答えるために使われてきた。
例えば、機械学習の問題で使用するために、ローカルジオメトリをベクトル化する方法は?
永続的ホモロジーとそのベクトル化手法は、局所幾何学とグローバルトポロジの両方を機械学習に組み込む一般的な技術を提供する。
私たちのメタ仮説は、短いバーが多くの機械学習タスクの長いバーと同じくらい重要であるということです。
この主張を擁護するために, 形状認識, エージェントベースモデリング, 材料科学, 考古学, 生物学への永続的ホモロジーの適用について検討する。
さらに,永続ホモロジーを曲率やフラクタル次元を含む空間の幾何学的特徴と結びつける研究や,永続ホモロジーを機械学習に組み込むための様々な手法について検討した。
関連論文リスト
- Mixup Barcodes: Quantifying Geometric-Topological Interactions between
Point Clouds [0.6554326244334868]
我々は、持続的ホモロジーと画像持続的ホモロジーを組み合わせることで、それらの間の形状と相互作用を特徴付ける新しい方法を定義する。
特に,(1)任意の次元の2つの点集合間の幾何学的トポロジカル相互作用(ミックスアップ)をキャプチャするミキシングバーコード,(2)単純な要約統計,総ミキシングアップ,および合計パーセンテージミキシングアップ,(3)これらの相互作用の複雑さを1つの数として定量化するソフトウェアツールを紹介する。
論文 参考訳(メタデータ) (2024-02-23T02:19:26Z) - A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。
Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。
本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
論文 参考訳(メタデータ) (2023-12-12T18:44:19Z) - Symmetry-Informed Geometric Representation for Molecules, Proteins, and
Crystalline Materials [66.14337835284628]
幾何戦略の有効性をベンチマークできるGeom3Dというプラットフォームを提案する。
Geom3Dは16の高度な対称性インフォームド幾何表現モデルと46の多様なデータセット上の14の幾何事前学習方法を含んでいる。
論文 参考訳(メタデータ) (2023-06-15T05:37:25Z) - 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) - NeuroMorph: Unsupervised Shape Interpolation and Correspondence in One
Go [109.88509362837475]
入力2つの3次元形状を考慮したニューラルネットワークアーキテクチャであるNeuroMorphを提案する。
NeuroMorphはそれらの間のスムーズかつポイントツーポイント対応を生成する。
異なる対象カテゴリの非等尺性ペアを含む、さまざまな入力形状に対してうまく機能する。
論文 参考訳(メタデータ) (2021-06-17T12:25:44Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z) - SCALE: Modeling Clothed Humans with a Surface Codec of Articulated Local
Elements [62.652588951757764]
衣服のモデル化と再構成は、調音性、非剛性変形、衣服の種類や地形の変化などにより困難である。
最近の研究では、ニューラルネットワークを使ってローカルな表面要素をパラメータ化している。
まず、人間の体モデルに基づいて表面要素を変形させます。
第2に,局所的な特徴から局所的な幾何学を回帰させることにより,既存の神経表面要素の制限を解消する。
論文 参考訳(メタデータ) (2021-04-15T17:59:39Z) - Can neural networks learn persistent homology features? [1.1816942730023885]
トポロジデータ分析は、トポロジのツールを使用してデータの表現を生成する。
本研究では,ニューラルネットワークを用いて永続性図から抽出したいくつかの特徴を学習する可能性について検討する。
論文 参考訳(メタデータ) (2020-11-30T10:58:53Z) - Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。
提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。
メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文 参考訳(メタデータ) (2020-10-23T14:49:02Z) - Capturing Dynamics of Time-Varying Data via Topology [0.5276232626689568]
時間変化の計量空間を要約する新しいツール: crocker stackを紹介した。
魚の群れや鳥の群れが形成する計量空間の時間変化は、膨大な量の情報を含むことができる。
生物凝集モデルに影響を及ぼすパラメータ識別タスクに対するクロッカースタックの有用性を実証する。
論文 参考訳(メタデータ) (2020-10-07T20:07:40Z)
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。