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
- 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) - Joint Embedding Self-Supervised Learning in the Kernel Regime [21.80241600638596]
自己教師付き学習(SSL)は、データを分類するためのラベルにアクセスすることなく、データの有用な表現を生成する。
我々はこのフレームワークを拡張し,カーネルの機能空間に作用する線形写像によって埋め込みを構築するカーネル手法に基づくアルゴリズムを組み込む。
カーネルモデルを小さなデータセットで分析し、自己教師付き学習アルゴリズムの共通特徴を特定し、下流タスクにおける性能に関する理論的洞察を得る。
論文 参考訳(メタデータ) (2022-09-29T15:53:19Z) - 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) - Compressibility: Power of PCA in Clustering Problems Beyond
Dimensionality Reduction [3.6202815454709536]
また,PCAはクラスタ間距離を比較的緩やかに低減しつつ,同一クラスタに属するデータポイント間の距離を著しく低減することを示した。
このギャップは、実際に発見された多くの経験的な観察を説明してくれます。
単一セルRNAシークエンシング解析では,PCAをデータセットに適用することで,従来のクラスタリングアルゴリズムの精度が大幅に向上することが観察されている。
論文 参考訳(メタデータ) (2022-04-22T18:43:47Z) - 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) - CPP-Net: Context-aware Polygon Proposal Network for Nucleus Segmentation [71.81734047345587]
核分割のためのコンテキストアウェアポリゴンプロポーザルネットワーク(CPP-Net)を提案する。
まず、距離予測のために各セル内の1つのピクセルではなく1つのポイントセットをサンプリングする。
次に,サンプリングされた点集合から予測を適応的に融合する信頼度に基づく重み付けモジュールを提案する。
第3に,予測された多角形形状を制約した新しい形状認識損失(sap)を提案する。
論文 参考訳(メタデータ) (2021-02-13T05:59:52Z) - 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。