Fugu-MT 論文翻訳(概要): Model-centric Data Manifold: the Data Through the Eyes of the Model

論文の概要: Model-centric Data Manifold: the Data Through the Eyes of the Model

arxiv url: http://arxiv.org/abs/2104.13289v1
Date: Mon, 26 Apr 2021 16:03:09 GMT
ステータス: 処理完了
システム内更新日: 2021-04-29 02:37:54.964492
Title: Model-centric Data Manifold: the Data Through the Eyes of the Model
Title（参考訳）: モデル中心のデータ多様体:モデルの目を通してのデータ
Authors: Luca Grementieri, Rita Fioresi
Abstract要約: deep reluニューラルネットワーク分類器は、データ上の低次元多様体構造を見ることができる。モデルが訓練されたデータセットは、その寸法が分類ラベルの数によって境界づけられているリーフ、データリーフにあることを示しています。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We discover that deep ReLU neural network classifiers can see a low-dimensional Riemannian manifold structure on data. Such structure comes via the local data matrix, a variation of the Fisher information matrix, where the role of the model parameters is taken by the data variables. We obtain a foliation of the data domain and we show that the dataset on which the model is trained lies on a leaf, the data leaf, whose dimension is bounded by the number of classification labels. We validate our results with some experiments with the MNIST dataset: paths on the data leaf connect valid images, while other leaves cover noisy images.
Abstract（参考訳）: 深層reluニューラルネットワーク分類器はデータ上の低次元リーマン多様体構造を見ることができる。このような構造はローカルデータマトリクス(Fisher情報マトリクスのバリエーション)によってもたらされ、そこではモデルパラメータの役割がデータ変数によって取られる。本研究では,データ領域の葉形成を行い,そのモデルが訓練されたデータセットが,分類ラベルの数に制限されたデータリーフ上にあることを示す。データリーフ上のパスは有効な画像を接続し、他のリーフはノイズの多い画像をカバーします。

関連論文リスト

Probing the Latent Hierarchical Structure of Data via Diffusion Models [47.56642214162824]
拡散モデルを用いた実験は,データの潜伏構造を探索するための有望なツールであることを示す。我々はこの予測を、最先端拡散モデルを用いてテキストと画像の両方で確認する。以上の結果から,潜在変数がデータにどのように現れるかを示し,これらの影響を実データで測定する方法を確立した。
論文参考訳（メタデータ） (2024-10-17T17:08:39Z)
Classification of Buried Objects from Ground Penetrating Radar Images by using Second Order Deep Learning Models [3.332733725674752]
埋蔵物を分類するために,共分散行列に基づく新しい分類モデルを構築した。提案手法はGPRデータ用に設計された浅層ネットワークよりも優れていることを示す。また、異なる気象モードや考慮事項から、トレーニングデータとテストセットが得られた場合のモデルの関心についても説明する。
論文参考訳（メタデータ） (2024-09-20T08:42:30Z)
Manifold Learning via Foliations and Knowledge Transfer [0.0]
分類器として訓練された深部ReLUニューラルネットワークを用いたデータ空間上の自然な幾何学的構造を提供する。そのような葉の特異点が測度ゼロ集合に含まれており、局所正則葉は至る所に存在することを示す。実験により、データは葉の葉と相関していることが示された。
論文参考訳（メタデータ） (2024-09-11T16:53:53Z)
Diffusion Models as Data Mining Tools [87.77999285241219]
本稿では、画像合成のために訓練された生成モデルを視覚データマイニングのツールとして利用する方法について述べる。特定のデータセットから画像を合成するために条件拡散モデルを微調整した後、これらのモデルを用いて典型性尺度を定義することができることを示す。この尺度は、地理的位置、タイムスタンプ、セマンティックラベル、さらには病気の存在など、異なるデータラベルに対する典型的な視覚的要素がどのように存在するかを評価する。
論文参考訳（メタデータ） (2024-07-20T17:14:31Z)
Measuring Feature Dependency of Neural Networks by Collapsing Feature Dimensions in the Data Manifold [18.64569268049846]
ニューラルネットワークモデルの特徴依存性を測定するための新しい手法を提案する。その動機は、人間が理解可能な機能から情報を使っているかどうかを問うことによって、モデルをよりよく理解することにある。本手法は,合成画像データに基づいて学習した深層ニューラルネットワークモデルを用いて実験を行った。
論文参考訳（メタデータ） (2024-04-18T17:10:18Z)
LAESI: Leaf Area Estimation with Synthetic Imagery [13.145253458335464]
LAESIは合成葉画像10万枚をミリ紙上に合成した合成葉データである。このデータセットは、ブナとオークの葉を対象とした葉の形態解析のリソースを提供する。葉の表面積予測とセマンティックセグメンテーションのための機械学習モデルを訓練することにより,データセットの適用性を評価する。
論文参考訳（メタデータ） (2024-03-31T07:56:07Z)
Images in Discrete Choice Modeling: Addressing Data Isomorphism in Multi-Modality Inputs [77.54052164713394]
本稿では,離散選択モデリング(DCM)と機械学習の交わりについて考察する。本稿では,DCMフレームワーク内の従来の表型入力と同型情報を共有する高次元画像データの埋め込み結果について検討する。
論文参考訳（メタデータ） (2023-12-22T14:33:54Z)
Neural FIM for learning Fisher Information Metrics from point cloud data [71.07939200676199]
我々は、ポイントクラウドデータからフィッシャー情報量(FIM)を計算するためのニューラルFIMを提案する。本稿では,PHATE可視化手法のパラメータの選択と,IPSCリプログラミングとPBMC(免疫細胞)の2つの単一セルデータセットと,おもちゃデータセットの分岐点とクラスタセンターの埋め込みに関する情報を得る能力について述べる。
論文参考訳（メタデータ） (2023-06-01T17:36:13Z)
CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文参考訳（メタデータ） (2022-05-30T13:34:46Z)
ClassSPLOM -- A Scatterplot Matrix to Visualize Separation of Multiclass Multidimensional Data [8.89134799076718]
多次元データのマルチクラス分類において、ユーザは、目に見えないデータのラベルを予測するために、クラスのモデルを構築したい。モデルは、データに基づいてトレーニングされ、その品質を評価するために、既知のラベルで見えないデータでテストされる。結果は混乱行列として可視化され,データラベルが正しく予測されたか,他のクラスと混同されたかを示す。
論文参考訳（メタデータ） (2022-01-30T14:09:19Z)
Data from Model: Extracting Data from Non-robust and Robust Models [83.60161052867534]
この研究は、データとモデルの関係を明らかにするために、モデルからデータを生成する逆プロセスについて検討する。本稿では,データ・トゥ・モデル(DtM)とデータ・トゥ・モデル(DfM)を連続的に処理し,特徴マッピング情報の喪失について検討する。以上の結果から,DtMとDfMの複数シーケンスの後にも,特にロバストモデルにおいて精度低下が制限されることが示唆された。
論文参考訳（メタデータ） (2020-07-13T05:27:48Z)

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。