論文の概要: Measuring and Explaining the Inter-Cluster Reliability of
Multidimensional Projections
- arxiv url: http://arxiv.org/abs/2107.07859v1
- Date: Fri, 16 Jul 2021 12:52:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-19 14:43:40.993947
- Title: Measuring and Explaining the Inter-Cluster Reliability of
Multidimensional Projections
- Title（参考訳）: 多次元投影のクラスタ間信頼性の測定と説明
- Authors: Hyeon Jeon, Hyung-Kwon Ko, Jaemin Jo, Youngtaek Kim, and Jinwook Seo
- Abstract要約: 多次元射影(MDP)のクラスタ間信頼性を測定するための定常性と密着性を提案する。
クラスタ間信頼性の測定は、クラスタ間タスクの実施方法に直接的な影響を与えるため、非常に重要です。
- 参考スコア（独自算出の注目度）: 14.286703826000213
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We propose Steadiness and Cohesiveness, two novel metrics to measure the
inter-cluster reliability of multidimensional projection (MDP), specifically
how well the inter-cluster structures are preserved between the original
high-dimensional space and the low-dimensional projection space. Measuring
inter-cluster reliability is crucial as it directly affects how well
inter-cluster tasks (e.g., identifying cluster relationships in the original
space from a projected view) can be conducted; however, despite the importance
of inter-cluster tasks, we found that previous metrics, such as Trustworthiness
and Continuity, fail to measure inter-cluster reliability. Our metrics consider
two aspects of the inter-cluster reliability: Steadiness measures the extent to
which clusters in the projected space form clusters in the original space, and
Cohesiveness measures the opposite. They extract random clusters with arbitrary
shapes and positions in one space and evaluate how much the clusters are
stretched or dispersed in the other space. Furthermore, our metrics can
quantify pointwise distortions, allowing for the visualization of inter-cluster
reliability in a projection, which we call a reliability map. Through
quantitative experiments, we verify that our metrics precisely capture the
distortions that harm inter-cluster reliability while previous metrics have
difficulty capturing the distortions. A case study also demonstrates that our
metrics and the reliability map 1) support users in selecting the proper
projection techniques or hyperparameters and 2) prevent misinterpretation while
performing inter-cluster tasks, thus allow an adequate identification of
inter-cluster structure.
- Abstract（参考訳）: 本研究では,多次元射影(mdp)のクラスタ間信頼性を測定するための2つの新しい指標である定常性と凝集性,特に,クラスター間構造が元の高次元空間と低次元射影空間の間で保存されているかを示す。
クラスタ間信頼性の測定は、クラスタ間タスク(例えば、プロジェクションされたビューから元の空間におけるクラスタ間関係を識別する)がどの程度適切に実行されるかに直接影響を与えるため、非常に重要であるが、クラスタ間タスクの重要性にもかかわらず、信頼性や継続性といった以前のメトリクスではクラスタ間信頼性の測定に失敗していることがわかった。
我々のメトリクスはクラスタ間信頼性の2つの側面を考察している。定常性は、投影された空間内のクラスタが元の空間内のクラスタを形成する度合いを測り、結合性は逆の度合いを測る。
任意の形状と位置を持つランダムなクラスタを1つの空間で抽出し、クラスタが他の空間でどれだけ伸びるか、分散しているかを評価する。
さらに、我々のメトリクスはポイントワイズ歪みを定量化することができ、プロジェクションにおけるクラスタ間信頼性の可視化を可能にします。
定量的実験により,クラスタ間信頼性を損なう歪みを正確に把握すると同時に,以前の測定値では歪みの捕捉が困難であることを確認した。
ケーススタディでは,我々のメトリクスと信頼性マップが,適切なプロジェクション技術やハイパーパラメータの選択を支援するとともに,クラスタ間タスクの実行中に誤解釈を防止し,クラスタ間構造を適切に識別できるようにする。
関連論文リスト
- Self-Supervised Graph Embedding Clustering [70.36328717683297]
K-means 1-step dimensionality reduction clustering method は,クラスタリングタスクにおける次元性の呪いに対処する上で,いくつかの進歩をもたらした。
本稿では,K-meansに多様体学習を統合する統一フレームワークを提案する。
論文 参考訳（メタデータ） (2024-09-24T08:59:51Z) - Deep Clustering Evaluation: How to Validate Internal Clustering Validation Measures [2.2252684361733284]
ディープクラスタリング(Deep Clustering)は、ディープニューラルネットワークを用いて複雑な高次元データを分割する手法である。
低次元空間用に設計された従来のクラスタリング検証は、ディープクラスタリングにおいて問題となる。
本稿では、ディープラーニングにおけるクラスタリング品質の評価におけるこれらの課題に対処する。
論文 参考訳（メタデータ） (2024-03-21T20:43:44Z) - Unifying Feature and Cost Aggregation with Transformers for Semantic and Visual Correspondence [51.54175067684008]
本稿では,高密度マッチングタスク用に設計されたTransformerベースの積分機能とコスト集約ネットワークを提案する。
まず, 特徴集約とコスト集約が異なる特徴を示し, 双方の集約プロセスの司法的利用から生じる実質的な利益の可能性を明らかにした。
本フレームワークは意味マッチングのための標準ベンチマークで評価され,また幾何マッチングにも適用された。
論文 参考訳（メタデータ） (2024-03-17T07:02:55Z) - Cluster-guided Contrastive Graph Clustering Network [53.16233290797777]
クラスタ誘導コントラストグラフクラスタリングネットワーク(CCGC)を提案する。
我々は、兄弟のサブネットワーク間で重みが共有されない特別なシームズエンコーダを設計することにより、グラフの2つのビューを構築する。
意味的な負のサンプルペアを構築するために、異なる高信頼度クラスタの中心を負のサンプルとみなす。
論文 参考訳（メタデータ） (2023-01-03T13:42:38Z) - Tensor-based Multi-view Spectral Clustering via Shared Latent Space [14.470859959783995]
MvSC(Multi-view Spectral Clustering)は多様なデータソースによって注目を集めている。
MvSCの新しい手法はRestricted Kernel Machineフレームワークから共有潜在空間を介して提案される。
論文 参考訳（メタデータ） (2022-07-23T17:30:54Z) - Interpretability Guarantees with Merlin-Arthur Classifiers [21.55030847779525]
本稿では,ニューラルネットワークのような複雑なエージェントに対しても,証明可能な解釈可能性保証を提供する対話型マルチエージェント分類器を提案する。
この結果はInteractive Proof SystemsのMerlin-Arthurプロトコルにインスパイアされている。
論文 参考訳（メタデータ） (2022-06-01T20:48:24Z) - How I learned to stop worrying and love the curse of dimensionality: an
appraisal of cluster validation in high-dimensional spaces [0.0]
本研究では,一般的なユークリッドノルムに基づくクラスタ指標の感度が,様々な合成データスキームの次元でどのようにスケールするかを検討する。
その結果、指数の圧倒的多数は高次元での感度を改善したり安定させたりしていることがわかった。
論文 参考訳（メタデータ） (2022-01-13T21:17:10Z) - Featurized Density Ratio Estimation [82.40706152910292]
本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。
この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。
同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
論文 参考訳（メタデータ） (2021-07-05T18:30:26Z) - Inter-class Discrepancy Alignment for Face Recognition [55.578063356210144]
IA(Inter-class DiscrepancyAlignment)という統合フレームワークを提案する。
IDA-DAOは、画像と隣人の相違を考慮した類似度スコアの整合に使用される。
IDA-SSEは、GANで生成された仮想候補画像を導入することで、説得力のあるクラス間隣人を提供できます。
論文 参考訳（メタデータ） (2021-03-02T08:20:08Z) - Learning to Cluster Faces via Confidence and Connectivity Estimation [136.5291151775236]
重複する部分グラフを多数必要とせず,完全に学習可能なクラスタリングフレームワークを提案する。
提案手法はクラスタリングの精度を大幅に向上させ,その上で訓練した認識モデルの性能を向上させるが,既存の教師付き手法に比べて桁違いに効率的である。
論文 参考訳（メタデータ） (2020-04-01T13:39:37Z)
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。