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
- 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) - ENS-t-SNE: Embedding Neighborhoods Simultaneously t-SNE [2.0999222360659613]
ENS-t-SNEは、t-Stochastic Neighborhood Embeddingアプローチを同時に一般化する。
ENS-t-SNEの3D埋め込みにおける異なる視点を使用することで、同じ高次元データセット内の異なるタイプのクラスタを視覚化することができる。
論文 参考訳(メタデータ) (2022-05-24T02:02:05Z) - 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) - HUMAP: Hierarchical Uniform Manifold Approximation and Projection [64.0476282000118]
HUMAPは、局所的・大域的構造と階層的探索を通してのメンタルマップの保存に柔軟に設計された、新しい階層的次元削減技術である。
本手法の優位性を示す実証的な証拠を,現在の階層的アプローチと比較し,その強みを示す2つのケーススタディを示す。
論文 参考訳(メタデータ) (2021-06-14T19:27:54Z) - 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。
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。