論文の概要: Generative Locally Linear Embedding
- arxiv url: http://arxiv.org/abs/2104.01525v1
- Date: Sun, 4 Apr 2021 02:59:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 14:55:01.193504
- Title: Generative Locally Linear Embedding
- Title(参考訳): 生成的局所線形埋め込み
- Authors: Benyamin Ghojogh, Ali Ghodsi, Fakhri Karray, Mark Crowley
- Abstract要約: 線形局所埋め込み(LLE)は非線形スペクトル次元減少および多様体学習法である。
GLLE(Generative LLE)という,新しいLLEの2つの生成バージョンを提案する。
シミュレーションの結果,提案手法はデータの展開や部分多様体の生成に有効であることがわかった。
- 参考スコア(独自算出の注目度): 5.967999555890417
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Locally Linear Embedding (LLE) is a nonlinear spectral dimensionality
reduction and manifold learning method. It has two main steps which are linear
reconstruction and linear embedding of points in the input space and embedding
space, respectively. In this work, we propose two novel generative versions of
LLE, named Generative LLE (GLLE), whose linear reconstruction steps are
stochastic rather than deterministic. GLLE assumes that every data point is
caused by its linear reconstruction weights as latent factors. The proposed
GLLE algorithms can generate various LLE embeddings stochastically while all
the generated embeddings relate to the original LLE embedding. We propose two
versions for stochastic linear reconstruction, one using expectation
maximization and another with direct sampling from a derived distribution by
optimization. The proposed GLLE methods are closely related to and inspired by
variational inference, factor analysis, and probabilistic principal component
analysis. Our simulations show that the proposed GLLE methods work effectively
in unfolding and generating submanifolds of data.
- Abstract(参考訳): 局所線形埋め込み(LLE)は非線形スペクトル次元減少および多様体学習法である。
線形再構成と入力空間への点の線形埋め込みと埋め込み空間という2つの主要なステップがある。
本稿では,線形再構成ステップが決定論的ではなく確率的である2つの新しい生成lle (generative lle, glle) を提案する。
GLLEは、すべてのデータポイントが線形再構成重みによって引き起こされると仮定する。
提案したGLLEアルゴリズムは様々なLLE埋め込みを確率的に生成し,生成したすべての埋め込みは元のLLE埋め込みに関連付ける。
確率的線形再構成のための2つのバージョンを提案し、ひとつは期待最大化を用いて、もう一つは導出分布からの直接サンプリングを最適化して提案する。
提案手法は, 変分推論, 因子分析, 確率主成分分析と密接に関連し, インスパイアされている。
シミュレーションの結果,提案手法はデータの展開や部分多様体の生成に有効であることがわかった。
関連論文リスト
- Two-Point Deterministic Equivalence for Stochastic Gradient Dynamics in Linear Models [76.52307406752556]
ランダムリゾルダーの2点関数に対する新しい決定論的等価性を導出する。
勾配勾配を有する多種多様な高次元学習線形モデルの性能を統一的に導出する。
論文 参考訳(メタデータ) (2025-02-07T16:45:40Z) - Bilinear Convolution Decomposition for Causal RL Interpretability [0.0]
強化学習(RL)モデルを解釈する試みは、しばしば帰属や探究のような高度な技術に依存している。
本研究では、畳み込みニューラルネットワーク(ConvNets)の非線形性を双線型変種に置き換え、これらの制限に対処可能なモデルのクラスを作成することを提案する。
モデルフリー強化学習環境では,バイリニアモデルの変形が相容れないことを示し,ProcGen環境上での並べ比較を行う。
論文 参考訳(メタデータ) (2024-12-01T19:32:04Z) - RLE: A Unified Perspective of Data Augmentation for Cross-Spectral Re-identification [59.5042031913258]
非線型モダリティの相違は主に、異なる材料の表面に作用する様々な線形変換に由来する。
本稿では,MRLE(Modrate Random Linear Enhancement)とRRLE(Radical Random Linear Enhancement)を含むRLE(Random Linear Enhancement)戦略を提案する。
実験結果は、RLEの優位性と有効性を示すだけでなく、クロススペクトル再同定のための汎用データ拡張としての可能性も確認した。
論文 参考訳(メタデータ) (2024-11-02T12:13:37Z) - Induced Covariance for Causal Discovery in Linear Sparse Structures [55.2480439325792]
因果モデルでは、観測データから変数間の因果関係を解き明かそうとしている。
本稿では,変数が線形に疎結合な関係を示す設定のための新しい因果探索アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-10-02T04:01:38Z) - Learning Graphical Factor Models with Riemannian Optimization [70.13748170371889]
本稿では,低ランク構造制約下でのグラフ学習のためのフレキシブルなアルゴリズムフレームワークを提案する。
この問題は楕円分布のペナルティ化された最大推定値として表される。
楕円モデルによく適合する正定行列と定ランクの正半定行列のジオメトリを利用する。
論文 参考訳(メタデータ) (2022-10-21T13:19:45Z) - Theoretical Connection between Locally Linear Embedding, Factor
Analysis, and Probabilistic PCA [13.753161236029328]
リニア埋め込み(LLE)は非線形スペクトル次元減少および多様体学習法である。
本稿では,各データポイントが線形再構成重みを潜在因子として条件付けされていると仮定する観点から,線形再構成ステップを考察する。
論文 参考訳(メタデータ) (2022-03-25T21:07:20Z) - Unfolding Projection-free SDP Relaxation of Binary Graph Classifier via
GDPA Linearization [59.87663954467815]
アルゴリズムの展開は、モデルベースのアルゴリズムの各イテレーションをニューラルネットワーク層として実装することにより、解釈可能で類似のニューラルネットワークアーキテクチャを生成する。
本稿では、Gershgorin disc perfect alignment (GDPA)と呼ばれる最近の線形代数定理を利用して、二進グラフの半定値プログラミング緩和(SDR)のためのプロジェクションフリーアルゴリズムをアンロールする。
実験結果から,我々の未学習ネットワークは純粋モデルベースグラフ分類器よりも優れ,純粋データ駆動ネットワークに匹敵する性能を示したが,パラメータははるかに少なかった。
論文 参考訳(メタデータ) (2021-09-10T07:01:15Z) - Locally Linear Embedding and its Variants: Tutorial and Survey [13.753161236029328]
局所線型埋め込み(LLE)の考え方は、埋め込み空間に多様体の局所構造を適合させることである。
本稿では、まずLLE、カーネルLLE、逆LLE、およびLLEとの融合について述べる。
次に、Isomap(ISOLLE)、主成分分析、Fisher Disriminant Analysis、差別化LLE、およびIsotopを含む他の多様体学習手法とLLEの融合を導入する。
論文 参考訳(メタデータ) (2020-11-22T03:44:45Z) - Semiparametric Nonlinear Bipartite Graph Representation Learning with
Provable Guarantees [106.91654068632882]
半パラメトリック指数族分布におけるパラメータの統計的推定問題として、両部グラフを考察し、その表現学習問題を定式化する。
提案手法は, 地中真理付近で強い凸性を示すため, 勾配降下法が線形収束率を達成できることを示す。
我々の推定器は指数族内の任意のモデル誤特定に対して頑健であり、広範な実験で検証されている。
論文 参考訳(メタデータ) (2020-03-02T16:40:36Z)
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。