論文の概要: Latent Space Exploration Using Generative Kernel PCA

• arxiv url: http://arxiv.org/abs/2105.13949v1
• Date: Fri, 28 May 2021 16:17:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-31 13:49:28.232056
• Title: Latent Space Exploration Using Generative Kernel PCA
• Title（参考訳）: 生成カーネルPCAを用いた潜時空間探査
• Authors: David Winant, Joachim Schreurs and Johan A.K. Suykens
• Abstract要約: Kernel PCAは強力な特徴抽出器であり、Restricted Kernel Machines (RKMs) の文脈で最近再編成されている。 RKMは、Restricted Boltzmann Machinesと同様の隠蔽と可視の単位でカーネルPCAの表現を可能にする。 この接続は、ジェネレーティブカーネルPCAと呼ばれる生成手順でカーネルPCAを使用する方法の洞察につながった。 新しい点は、成分の解釈を可能にする潜在空間を徐々に移動させることで生成することができる。
• 参考スコア（独自算出の注目度）: 14.236193187116049
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Kernel PCA is a powerful feature extractor which recently has seen a reformulation in the context of Restricted Kernel Machines (RKMs). These RKMs allow for a representation of kernel PCA in terms of hidden and visible units similar to Restricted Boltzmann Machines. This connection has led to insights on how to use kernel PCA in a generative procedure, called generative kernel PCA. In this paper, the use of generative kernel PCA for exploring latent spaces of datasets is investigated. New points can be generated by gradually moving in the latent space, which allows for an interpretation of the components. Firstly, examples of this feature space exploration on three datasets are shown with one of them leading to an interpretable representation of ECG signals. Afterwards, the use of the tool in combination with novelty detection is shown, where the latent space around novel patterns in the data is explored. This helps in the interpretation of why certain points are considered as novel.
• Abstract（参考訳）: Kernel PCAは強力な特徴抽出器であり、Restricted Kernel Machines (RKMs) の文脈で最近再編成されている。 これらのRKMは、Restricted Boltzmann Machinesに似た隠蔽および可視単位のカーネルPCAの表現を可能にする。 この接続は、ジェネレーティブカーネルPCAと呼ばれる生成手順でカーネルPCAを使用する方法の洞察につながった。 本稿では,生成カーネルPCAを用いてデータセットの潜在空間を探索する。 新しい点は、成分の解釈を可能にする潜在空間を徐々に移動させることで生成することができる。 まず、この特徴空間探索の例を3つのデータセットで示し、そのうちの1つはECG信号の解釈可能な表現につながる。 その後,データ中の新規パターン周辺の潜在空間を探索し,ノベルティ検出と組み合わせたツールの使用を示す。 これは、ある点がなぜ新しいと見なされるのかの解釈に役立つ。

関連論文リスト

• MIK: Modified Isolation Kernel for Biological Sequence Visualization, Classification, and Clustering [3.9146761527401424]
  本研究は,ガウスカーネルの代替として,改良分離カーネル (MIK) と呼ばれる新しいアプローチを提案する。 MIKは適応密度推定を用いて局所構造をより正確に捉え、ロバストネス対策を統合する。 局所的および大域的な構造の保存を改善し、組込み空間におけるクラスタとサブクラスタのより良い可視化を可能にする。
  論文  参考訳（メタデータ） (2024-10-21T06:57:09Z)
• Inferring Kernel $ε$-Machines: Discovering Structure in Complex Systems [49.1574468325115]
  本稿では,カーネル因果状態推定を縮小次元空間における座標の集合として符号化する因果拡散成分を提案する。 それぞれのコンポーネントがデータから予測機能を抽出し,そのアプリケーションを4つの例で示す。
  論文  参考訳（メタデータ） (2024-10-01T21:14:06Z)
• Autonomous microARPES [10.192534266541687]
  角度分解光電子分光法(ARPES)は、固体の電子構造をマッピングする技術である。 近年のX線集光光学の進歩は、ALPESを顕微鏡ツールとして発展させてきた。 我々は、特定の興味のある位置を見つけるために、$mathbfk$-と実空間の両方を自律的に検索するプロトコルを実装している。
  論文  参考訳（メタデータ） (2024-02-16T13:41:05Z)
• 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
  本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。 また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
  論文  参考訳（メタデータ） (2023-03-21T17:58:49Z)
• Local manifold learning and its link to domain-based physics knowledge [53.15471241298841]
  多くの反応系では、熱化学状態空間は低次元多様体(LDM)に近く進化すると仮定される。 局所的データクラスタ(ローカルPCA)に適用されたPCAは,熱化学状態空間の固有パラメータ化を検出することができることを示す。
  論文  参考訳（メタデータ） (2022-07-01T09:06:25Z)
• Omni-supervised Point Cloud Segmentation via Gradual Receptive Field Component Reasoning [41.83979510282989]
  提案した RFCR (Receptive Field Component Reasoning) を通したクラウドセグメンテーションに,最初のオムニスケール監視手法を導入する。 提案手法は,S3DIS と Semantic3D に対して新たな最先端性能を実現し,ScanNet ベンチマークの1位にランクインする。
  論文  参考訳（メタデータ） (2021-05-21T08:32:02Z)
• Turning Channel Noise into an Accelerator for Over-the-Air Principal Component Analysis [65.31074639627226]
  主成分分析(PCA)は、データセットの線形構造を抽出するための技術です。 勾配降下アルゴリズムに基づくマルチアクセスチャネル上にPCAを配置する手法を提案する。 オーバー・ザ・エア・アグリゲーションはマルチ・アクセスの遅延を減らすために採用され、オーバー・ザ・エア・PCAという名称を与える。
  論文  参考訳（メタデータ） (2021-04-20T16:28:33Z)
• Upper and Lower Bounds on the Performance of Kernel PCA [15.745403317380282]
  我々はカーネルpcaの効率について下界と上界に寄与する。 2つの境界は固定推定値であり、2つはPAC-ベイズ理論によるランダム化推定値である。 我々はカーネルPCAアルゴリズムの強みと限界を強調するために境界を散布します。
  論文  参考訳（メタデータ） (2020-12-18T17:19:31Z)
• Kernel learning approaches for summarising and combining posterior similarity matrices [68.8204255655161]
  我々は,ベイズクラスタリングモデルに対するMCMCアルゴリズムの出力を要約するための新しいアプローチを提案するために,後部類似性行列(PSM)の概念を構築した。 我々の研究の重要な貢献は、PSMが正の半定値であり、したがって確率的に動機付けられたカーネル行列を定義するのに使用できることである。
  論文  参考訳（メタデータ） (2020-09-27T14:16:14Z)
• Isolation Distributional Kernel: A New Tool for Point & Group Anomaly Detection [76.1522587605852]
  分離分散カーネル(IDK)は2つの分布の類似性を測定する新しい方法である。 我々は、カーネルベースの異常検出のための新しいツールとして、IDKの有効性と効率を示す。
  論文  参考訳（メタデータ） (2020-09-24T12:25:43Z)

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。