Fugu-MT 論文翻訳(概要): Visualizing Data using GTSNE

論文の概要: Visualizing Data using GTSNE

arxiv url: http://arxiv.org/abs/2108.01301v1
Date: Tue, 3 Aug 2021 05:26:37 GMT
ステータス: 処理完了
システム内更新日: 2021-08-04 14:04:10.298731
Title: Visualizing Data using GTSNE
Title（参考訳）: GTSNEによるデータの可視化
Authors: Songting Shi
Abstract要約: 本稿では,2次元地図における高次元データポイントを可視化する新しいGTSNEを提案する。この手法は、データ内の局所的な近傍構造とマクロ構造の両方をキャプチャすることで、よりよく視覚化できるt-SNEのバリエーションである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We present a new method GTSNE to visualize high-dimensional data points in the two dimensional map. The technique is a variation of t-SNE that produces better visualizations by capturing both the local neighborhood structure and the macro structure in the data. This is particularly important for high-dimensional data that lie on continuous low-dimensional manifolds. We illustrate the performance of GTSNE on a wide variety of datasets and compare it the state of art methods, including t-SNE and UMAP. The visualizations produced by GTSNE are better than those produced by the other techniques on almost all of the datasets on the macro structure preservation.
Abstract（参考訳）: 本稿では,2次元地図における高次元データポイントを可視化する新しいGTSNEを提案する。この手法は、データ内の局所的な近傍構造とマクロ構造の両方をキャプチャすることで、よりよく視覚化できるt-SNEのバリエーションである。これは連続な低次元多様体上の高次元データにとって特に重要である。本稿では,様々なデータセット上でのGTSNEの性能を概説し,t-SNEやUMAPなどのアート手法と比較する。 GTSNEが生成した可視化は、マクロ構造保存に関するほぼすべてのデータセットで生成された他の技術よりも優れている。

関連論文リスト

IsUMap: Manifold Learning and Data Visualization leveraging Vietoris-Rips filtrations [0.08796261172196743]
局所的に歪んだ距離空間に対する距離表現の体系的かつ詳細な構成を示す。提案手法は,非一様データ分布と複雑な局所的ジオメトリの調整により,既存の手法の制約に対処する。
論文参考訳（メタデータ） (2024-07-25T07:46:30Z)
Distributional Reduction: Unifying Dimensionality Reduction and Clustering with Gromov-Wasserstein [56.62376364594194]
教師なし学習は、潜在的に大きな高次元データセットの基盤構造を捉えることを目的としている。本研究では、最適輸送のレンズの下でこれらのアプローチを再検討し、Gromov-Wasserstein問題と関係を示す。これにより、分散還元と呼ばれる新しい一般的なフレームワークが公開され、DRとクラスタリングを特別なケースとして回復し、単一の最適化問題内でそれらに共同で対処することができる。
論文参考訳（メタデータ） (2024-02-03T19:00:19Z)
NeuroDAVIS: A neural network model for data visualization [0.0]
データビジュアライゼーションのための新しい教師なしディープニューラルネットワークモデルNeuroDAVISを導入する。 NeuroDAVISは、データ分散を仮定することなく、データから重要な特徴を抽出することができる。高次元におけるデータの近傍関係は低次元で保存されていることが理論的に示されている。
論文参考訳（メタデータ） (2023-04-01T21:20:34Z)
UnProjection: Leveraging Inverse-Projections for Visual Analytics of High-Dimensional Data [63.74032987144699]
提案するNNInvは,プロジェクションやマッピングの逆を近似する深層学習技術である。 NNInvは、2次元投影空間上の任意の点から高次元データを再構成することを学び、ユーザーは視覚分析システムで学習した高次元表現と対話することができる。
論文参考訳（メタデータ） (2021-11-02T17:11:57Z)
Deep Recursive Embedding for High-Dimensional Data [9.611123249318126]
本稿では,DNN(Deep Neural Network)と高次元データ埋め込みのための数学誘導埋め込みルールを組み合わせることを提案する。本稿では,高次元空間から低次元空間へのパラメトリックマッピングを学習可能な汎用ディープ埋め込みネットワーク(DEN)フレームワークを提案する。
論文参考訳（メタデータ） (2021-10-31T23:22:33Z)
Spatial-Spectral Clustering with Anchor Graph for Hyperspectral Image [88.60285937702304]
本稿では、HSIデータクラスタリングのための空間スペクトルクラスタリングとアンカーグラフ(SSCAG)という新しい非監視アプローチを提案する。提案されたSSCAGは最先端のアプローチと競合する。
論文参考訳（メタデータ） (2021-04-24T08:09:27Z)
Deep Recursive Embedding for High-Dimensional Data [10.499461691493526]
深層ニューラルネットワーク(DNN)と,高次元データ埋め込みのための数学的基盤埋め込み規則を組み合わせることを提案する。本実験は,高次元データ埋め込みにおけるDRE(Deep Recursive Embedding)の優れた性能を示すものである。
論文参考訳（メタデータ） (2021-04-12T03:04:38Z)
Mix Dimension in Poincar\'{e} Geometry for 3D Skeleton-based Action Recognition [57.98278794950759]
グラフ畳み込みネットワーク(GCN)はすでに、不規則なデータをモデル化する強力な能力を実証している。本稿では,ポアンカー幾何学を用いて定義した空間時空間GCNアーキテクチャを提案する。提案手法を,現在最大規模の2つの3次元データセット上で評価する。
論文参考訳（メタデータ） (2020-07-30T18:23:18Z)
Visualizing the Finer Cluster Structure of Large-Scale and High-Dimensional Data [7.400745342582259]
一般化されたシグモイド関数を用いて高次元空間と低次元空間の距離類似性をモデル化する。本研究では,シミュレーションと実世界の両方のデータセットを用いて,一様多様体の近似と投影に匹敵する可視化結果が得られることを示す。
論文参考訳（メタデータ） (2020-07-17T01:36:45Z)
Two-Dimensional Semi-Nonnegative Matrix Factorization for Clustering [50.43424130281065]
TS-NMFと呼ばれる2次元(2次元)データに対する新しい半負行列分解法を提案する。前処理ステップで2次元データをベクトルに変換することで、データの空間情報に深刻なダメージを与える既存の手法の欠点を克服する。
論文参考訳（メタデータ） (2020-05-19T05:54:14Z)
NCVis: Noise Contrastive Approach for Scalable Visualization [79.44177623781043]
NCVisはノイズコントラスト推定の音響統計的基礎の上に構築された高性能次元減少法である。 NCVisは,他の手法の表現品質を保ちながら,速度の観点から最先端技術よりも優れていることを示す。
論文参考訳（メタデータ） (2020-01-30T15:43:50Z)

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。