Fugu-MT 論文翻訳(概要): Probing neural networks with t-SNE, class-specific projections and a guided tour

論文の概要: Probing neural networks with t-SNE, class-specific projections and a guided tour

arxiv url: http://arxiv.org/abs/2107.12547v1
Date: Tue, 27 Jul 2021 01:42:07 GMT
ステータス: 処理完了
システム内更新日: 2021-07-29 02:08:53.364124
Title: Probing neural networks with t-SNE, class-specific projections and a guided tour
Title（参考訳）: t-SNE、クラス固有投影、ガイド付きツアーによるニューラルネットワークの探索
Authors: Christopher R. Hoyt and Art B. Owen
Abstract要約: ネットワーク内の連続層におけるt-SNE出力のプロットは、データポイントの整理がますます整理されることを示している。継承するレイヤがどのようにクラスを分離するかを視覚化するために、主要コンポーネントのクラス固有のアナログを使用します。
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 use graphical methods to probe neural nets that classify images. Plots of t-SNE outputs at successive layers in a network reveal increasingly organized arrangement of the data points. They can also reveal how a network can diminish or even forget about within-class structure as the data proceeds through layers. We use class-specific analogues of principal components to visualize how succeeding layers separate the classes. These allow us to sort images from a given class from most typical to least typical (in the data) and they also serve as very useful projection coordinates for data visualization. We find them especially useful when defining versions guided tours for animated data visualization.
Abstract（参考訳）: 画像分類を行うニューラルネットの探索にはグラフィカルな手法を用いる。ネットワーク内の連続層におけるt-SNE出力のプロットは、データポイントの整理がますます整理されることを示している。また、層を通過するとネットワークがクラス内の構造を減らしたり、忘れたりすることもある。継承する層がどのようにクラスを分離するかを視覚化するために、主要なコンポーネントのクラス固有のアナログを使用します。これらは、与えられたクラスから、最も典型的なものから最も典型的なもの(データ)までの画像をソートすることができ、また、データの視覚化に非常に有用なプロジェクション座標としても機能します。アニメーションデータ視覚化のためのガイド付きツアーを定義する際に特に有用である。

関連論文リスト

Histogram Layers for Neural Engineered Features [1.3963768610574674]
局所的なバイナリパターンとエッジヒストグラム記述子は、様々なコンピュータビジョンタスクにおいて有益な特徴であることが示されている。本稿では,ニューラルネットワークに埋め込まれたヒストグラム層を用いて,これらの特徴が学べるかどうかを考察する。本稿では,特徴表現を協調的に改善し,画像分類を行う,局所的バイナリパターンとエッジヒストグラム記述子のニューラルバージョンを提案する。
論文参考訳（メタデータ） (2024-03-25T20:43:48Z)
CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
論文参考訳（メタデータ） (2023-05-01T23:11:18Z)
Extracting Semantic Knowledge from GANs with Unsupervised Learning [65.32631025780631]
GAN(Generative Adversarial Networks)は、特徴写像のセマンティクスを線形に分離可能な形でエンコードする。本稿では,線形分離性を利用してGANの特徴をクラスタリングする新しいクラスタリングアルゴリズムKLiSHを提案する。 KLiSHは、さまざまなオブジェクトのデータセットに基づいてトレーニングされたGANのきめ細かいセマンティクスの抽出に成功している。
論文参考訳（メタデータ） (2022-11-30T03:18:16Z)
A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
論文参考訳（メタデータ） (2022-06-16T22:46:33Z)
VisGraphNet: a complex network interpretation of convolutional neural features [6.50413414010073]
ニューラルネットワークの特徴マップをモデル化するための可視性グラフの提案と検討を行う。この研究は、元のデータよりもこれらのグラフによって提供される別の視点によって動機付けられている。
論文参考訳（メタデータ） (2021-08-27T20:21:04Z)
Exploiting the relationship between visual and textual features in social networks for image classification with zero-shot deep learning [0.0]
本稿では,CLIPニューラルネットワークアーキテクチャの伝達可能な学習能力に基づく分類器アンサンブルを提案する。本研究は,Placesデータセットのラベルによる画像分類タスクに基づいて,視覚的部分のみを考慮した実験である。画像に関連付けられたテキストを考えることは、目標に応じて精度を向上させるのに役立つ。
論文参考訳（メタデータ） (2021-07-08T10:54:59Z)
Representation Learning of Reconstructed Graphs Using Random Walk Graph Convolutional Network [12.008472517000651]
グラフのノード特異的なメソスコピック構造を得るためにランダムウォークを利用する新しいフレームワークであるwGCNを提案する。高次局所構造情報を組み合わせることで、ネットワークの可能性をより効率的に探究できると信じている。
論文参考訳（メタデータ） (2021-01-02T10:31:14Z)
Representation Learning of Graphs Using Graph Convolutional Multilayer Networks Based on Motifs [17.823543937167848]
mGCMNはノードの特徴情報とグラフの高階局所構造を利用する新しいフレームワークである。グラフニューラルネットワークの学習効率を大幅に改善し、新たな学習モードの確立を促進する。
論文参考訳（メタデータ） (2020-07-31T04:18:20Z)
Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
論文参考訳（メタデータ） (2020-06-22T12:46:44Z)
GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
論文参考訳（メタデータ） (2020-06-17T16:18:35Z)
Progressive Graph Convolutional Networks for Semi-Supervised Node Classification [97.14064057840089]
グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
論文参考訳（メタデータ） (2020-03-27T08:32:16Z)

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。