論文の概要: Uniform Manifold Approximation and Projection (UMAP) and its Variants:
Tutorial and Survey
- arxiv url: http://arxiv.org/abs/2109.02508v1
- Date: Wed, 25 Aug 2021 00:45:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-12 10:54:59.666197
- Title: Uniform Manifold Approximation and Projection (UMAP) and its Variants:
Tutorial and Survey
- Title(参考訳): 一様多様体近似と投影(UMAP)とその変数:チュートリアルと調査
- Authors: Benyamin Ghojogh, Ali Ghodsi, Fakhri Karray, Mark Crowley
- Abstract要約: ユニフォーマルマニフォールド近似・投影(Uniform Manifold Approximation and Projection, UMAP)は、次元の減少とデータの可視化のための最先端の手法の1つである。
UMAPとその変種に関するチュートリアルおよび調査論文。
- 参考スコア(独自算出の注目度): 5.967999555890417
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uniform Manifold Approximation and Projection (UMAP) is one of the
state-of-the-art methods for dimensionality reduction and data visualization.
This is a tutorial and survey paper on UMAP and its variants. We start with
UMAP algorithm where we explain probabilities of neighborhood in the input and
embedding spaces, optimization of cost function, training algorithm, derivation
of gradients, and supervised and semi-supervised embedding by UMAP. Then, we
introduce the theory behind UMAP by algebraic topology and category theory.
Then, we introduce UMAP as a neighbor embedding method and compare it with
t-SNE and LargeVis algorithms. We discuss negative sampling and repulsive
forces in UMAP's cost function. DensMAP is then explained for
density-preserving embedding. We then introduce parametric UMAP for embedding
by deep learning and progressive UMAP for streaming and out-of-sample data
embedding.
- Abstract(参考訳): ユニフォーマルマニフォールド近似・投影(Uniform Manifold Approximation and Projection, UMAP)は、次元の減少とデータの可視化のための最先端の手法の1つである。
これは、UMAPとその変種に関するチュートリアルおよび調査論文である。
まず, 入力・埋め込み空間における近傍の確率, コスト関数の最適化, トレーニングアルゴリズム, 勾配の導出, UMAPによる教師付き・半教師付き埋め込みについて説明する。
次に、代数的トポロジーと圏論による UMAP の背後にある理論を紹介する。
次に、隣接する埋め込み手法としてUMAPを導入し、t-SNEおよびLargeVisアルゴリズムと比較する。
UMAPのコスト関数における負のサンプリングと反発力について論じる。
デンスマップは密度保存埋め込みのために説明される。
次に、ディープラーニングによる埋め込みのためのパラメトリックUMAPと、ストリーミングおよびサンプル外データ埋め込みのためのプログレッシブUMAPを紹介する。
関連論文リスト
- Provably Efficient Representation Learning with Tractable Planning in
Low-Rank POMDP [81.00800920928621]
部分的に観測可能なマルコフ決定過程(POMDP)における表現学習の研究
まず,不確実性(OFU)に直面した最大推定(MLE)と楽観性を組み合わせた復調性POMDPのアルゴリズムを提案する。
次に、このアルゴリズムをより広範な$gamma$-observable POMDPのクラスで機能させる方法を示す。
論文 参考訳(メタデータ) (2023-06-21T16:04:03Z) - ActUp: Analyzing and Consolidating tSNE and UMAP [6.368273182141137]
tSNEとUMAPは、その速度と解釈可能な低次元埋め込みのため、一般的な次元削減アルゴリズムである。
我々は, tSNE と UMAP のパラメータ空間を調査し, 1 つのパラメータ – 正規化 – がそれらの切り替えに責任があることを観察する。
UMAPの背後にあるいくつかの理論的主張と既存のtSNE解釈との整合性について論じる。
論文 参考訳(メタデータ) (2023-05-12T08:49:17Z) - Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。
GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
論文 参考訳(メタデータ) (2022-08-25T12:33:31Z) - Measuring dissimilarity with diffeomorphism invariance [94.02751799024684]
DID(DID)は、幅広いデータ空間に適用可能なペアワイズな相似性尺度である。
我々は、DIDが理論的研究と実用に関係のある特性を享受していることを証明する。
論文 参考訳(メタデータ) (2022-02-11T13:51:30Z) - UMAP does not reproduce high-dimensional similarities due to negative
sampling [21.02967030862773]
UMAPは、多くの分野において高次元データセットを可視化するための最先端技術としてt-SNEに取って代わった。
UMAPの効果的な損失関数をクローズド形式で導出し、それが公開されたものと異なることを見つけます。
代わりに、共有kの近傍グラフのみをエンコードする類似性を再現しようとします。
論文 参考訳(メタデータ) (2021-03-26T17:22:58Z) - Locally Linear Embedding and its Variants: Tutorial and Survey [13.753161236029328]
局所線型埋め込み(LLE)の考え方は、埋め込み空間に多様体の局所構造を適合させることである。
本稿では、まずLLE、カーネルLLE、逆LLE、およびLLEとの融合について述べる。
次に、Isomap(ISOLLE)、主成分分析、Fisher Disriminant Analysis、差別化LLE、およびIsotopを含む他の多様体学習手法とLLEの融合を導入する。
論文 参考訳(メタデータ) (2020-11-22T03:44:45Z) - Parametric UMAP embeddings for representation and semi-supervised
learning [0.03823356975862005]
UMAPは、構造化データの低次元埋め込みを見つけるための非パラメトリックグラフに基づく次元減少アルゴリズムである。
パラメトリックUMAPは,学習されたパラメトリックマッピングの利点を考慮しつつ,非パラメトリックマップと同等に動作することを示す。
次に、UMAPを正規化として検討し、オートエンコーダの潜伏分布を制限し、パラメトリック的に変化したグローバル構造保存を行い、半教師付き学習における分類器の精度を向上させる。
論文 参考訳(メタデータ) (2020-09-27T23:45:00Z) - Manifold Proximal Point Algorithms for Dual Principal Component Pursuit
and Orthogonal Dictionary Learning [32.87704663543739]
様々な機械学習アプリケーションで発生する球面上の線形写像を最大化する問題を考える。
球面をスティーフェル行列に置き換える問題に対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2020-05-05T17:40:03Z) - Evaluating Explainable AI: Which Algorithmic Explanations Help Users
Predict Model Behavior? [97.77183117452235]
我々は、モデル解釈性に対するアルゴリズム的説明の影響を分離するために、人体テストを実施している。
方法の有効性の明確な証拠はごく少数にみえる。
以上の結果から,説明がシミュラビリティにどのように影響するかの信頼性と包括的評価が得られた。
論文 参考訳(メタデータ) (2020-05-04T20:35:17Z) - There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。
このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。
本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-06T17:58:08Z) - Approximate MMAP by Marginal Search [78.50747042819503]
本稿では,グラフィカルモデルにおける最小値MAPクエリの戦略を提案する。
提案した信頼度尺度は,アルゴリズムが正確であるインスタンスを適切に検出するものである。
十分に高い信頼度を得るために、アルゴリズムは正確な解を与えるか、正確な解からハミング距離が小さい近似を与える。
論文 参考訳(メタデータ) (2020-02-12T07:41:13Z)
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。